径流趋势-随机时间序列预测模型——以大沽夹河为例

常用的滑动平均法、线性回归法以及灰色GM(1,1)模型等预测方法,主要用于变化趋势明显、波动性不大的预测问题,对于随机波动性较大的径流时间数据序列拟合度较差,预测精度不高。基于马尔柯夫过程的马尔柯夫链预测法,虽能根据系统状态间的转移概率(反应各种随机因素的影响程度)较     

基于灰色-马尔柯夫模型预测房地产价格

对房地产价格的预测直接影响到众多干系人的决策,关系到干系人的切身经济利益,因而对预测结果的准确性要求较高.本文在对GM(1,1)模型和马尔柯夫模型详细剖析的基础上将两者合二为一,建立相应的灰色-马尔柯夫预测模型,并通过具体例题说明该模型具有较高的预测精度和应用价值.     

物流配送需求量的预测方法

物流需求量预测是政府有关部门及企业制定物流规划和建设物流基地的决策依据.文章将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对物流配送需求量进行实证研究.针对灰色数据系列首先用GM(1,1)模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,预测精度明显高于GM(1,1)模型预测.     

股价预测的GM(1,1)模型

本文应用灰色系统理论,对股票价格变化建立GM(1,1)预测模型,并进行了实证分析.结果表明,把股票价格动态变化过程看作一个灰色系统,利用所建立的模型可较好地预测股票价格的短期发展变化趋势;同时通过与用ARIMA模型预测的拟合比较,表明在对股票价格作短期预测时,用GM(1,1)模型进行预测比用ARIMA模型进行预测具有更高的精确度.     

基于新维无偏灰色马尔科夫预测模型的中长期能源消费预测

本文针对中长期能源消费的特点,引入了新维无偏灰色马尔科夫预测模型。该模型充分利用结合了灰色预测与马尔科夫链理论的特点,用无偏灰色预测模型拟合系统的发展变化趋势,并以此为基础进行了马尔柯夫预测,在每一步预测中,不断推陈出新,对原始数据进行等维新息处理。实例结果分析表明,该模型预测准确度尤其是中长期预测准确度良好。     

RGM-EGARCH模型及其对深圳股市的实证

GM-EGARCH模型是一种将灰色预测模型(GM(1,1)模型)与EGARCH模型相结合的新型混合波动率模型.针对GM(1,1)模型在其适用务件上的局限性,文章利用残差灰色预测模型(RGM(1,1)模型)对GM(1,1)模型的预测结果进行改进,再将RGM(1,1)模型与GARCH模型相结合,构建RGM-EGARCH模型来修正随机误差项.通过对深证综合指数的实证分析,比较了RGM-EGARCH模型、GM-EGARcH模型和EGARCH模型的样本外短期预测效果.实证结果表明,在三种模型中,RGM-EGARCH模型具有最好的波动率预测效果.     

基于等维新息递补GM(1,1)幂模型的GDP预测

针对灰色模型在GDP预测中精度较低的问题,文章提出一种基于等维新息递补GM(1,1)幂模型的预测方法.为反映数据的非线性特征,在GM(1,1)模型的基础上引进拓展的非线性GM(1,1)幂模型;进一步利用最新信息优先的原则,建立等维新息递补灰色幂模型.将改进的模型应用到我国“十三五”时期GDP的预测中,验证了此模型在拟合和预测上的优势.     

基于灰色-马尔可夫模型的房地产周期研究

文章针对我国房地产周期研究中存在的内在机理复杂、数据信息不足等问题,提出了利用灰色-马尔可夫模型进行房地产周期分析和预测的想法,即利用GM(1,1)模型估计长期趋势成分,利用马尔可夫链预测模型估计周期性波动成分,通过两者的结合完成对房地产周期的拟合和预测.实证表明,该模型能够成为当前我国房地产周期研究的一项有效工具.     

基于改进背景值算法的优化GM(1,1)模型及其应用

研究表明,GM(1,1)模型的背景值构造方法是影响其建模精度的一个重要因数。文章研究了已有的相关文献中关于背景值的构造方法,进而提出了一种新的背景值构造方法,其具有更好的适应性。同时,为了进一步提高灰色GM(1,1)模型的模拟及预测精度,利用拟合值和原始值平方和误差最小对预测模型的初始值进行了优化。文章改进的优化GM(1,1)模型既适用于对低增长指数的数据也适用于对高增长指数的数据进行GM(1,1)预测实例建模结果展示了其具有更高的精度和适应性。     

基于初值修正的组合GM(1,1)模型及其应用

灰色GM(1,1)模型的拟合和预测精度依赖于其结构参数.文章从传统GM(1,1)模型的初值选取入手分析其存在的理论缺陷,通过两种初值修正方法建立改进的GM(1,1)模型,摒弃与系统关系不大的老信息,充分利用新信息来建模,从而达到精确预测的目的.在此基础上建立两种初值修正GM(1,1)模型的组合预测模型,提高了模型的拟合和预测精度。     

灰色多元线性回归模型及其应用

基于灰色关联法和灰色聚类法诊断、解决多重共线问题;利用GM(1,1)模型对原始数据序列进行修正,降低随机波动的干扰;据修正变量数据建立灰色多元线性回归模型,并将其运用于具体实例取得满意的预测效果。该模型对处理数据贫乏、波动较大的样本效果显著。     

基于灰色系统理论的两种房价预测方法比较

文章以灰色系统理论作为理论基础,分别构建了GM(1,1)模型和融入灰色理论的一元线性回归模型对房价进行预测。通过对上海浦东新区房市做实证分析发现:GM(1,1)模型的拟合程度和预测精度均优于灰色一元线性回归模型,并且GM(1,1)模型更加适应样本数据较少的情况。     

改进的 GM(1,1)模型及其预测精度分析

文章分析了现有灰色GM(1,1)模型的缺陷,根据最小二乘原理,提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,以求得新灰色GM(1,1)预测模型的最优初始值;对原GM(1,1)模型进行了改进,构建了新的GM(1,1)模型,并与现有的GM(1,1)模型进行了预测精度的比较。仿真分析结果表明了新改进预测模型的有效性。     

残差灰色预测模型的改进与应用

灰色预测是近年来应用比较广泛的一种预测方法,灰色模型简称GM(GrayModel)模型,是以灰色模块为基础,以微分拟合法而建立的模型.灰色GM(1,1)预测模型具有要求样本数据少、原理简单、运算方便、短期预测精度高、可检验等优点,已广泛应用于经济、生物、生态和环境等领域.     

改进的GM(1,1)模型及其应用

为提高GM(1,1)模型的预测精度,针对GM(1,1)模型的特点,提出了将遗传算法与LS-SVM算法融合对GM(1,1)模型中的参数估计方法进行改进.该方法首先根据GM(1,1)灰色差分方程的特点,构造以背景值序列和原始序列为训练样本的灰色LS-SVM模型,将GM(1,1)模型参数的估计问题转化为灰色LS-SVM模型参数的估计问题,然后利用遗传算法对LS-SVM自身的参数进行寻优预处理,再对经过优化参数的灰色LS-SVM,依据LS-SVM算法求解回归参数,进而得到GM(1,1)模型的参数估计.将改进的GM(1,1)模型用于实际的经济预测问题,并与传统的预测方法进行比较,结果表明,方法是可行的且有效的.     

马尔科夫方法修正的SVM模型在科技人才资源预测中的应用

文章根据统计资料数据,应用马尔科方法修正的SVM模型对中国科技人才资源进行预测和研究,对比传统预测模型中的离散灰色GM(1,1)模型,发现马尔科方法修正的SVM模型具有更高的拟合精度,为科技人才资源预测提供了一种新方法.     

内蒙古自治区人口总量的时间序列拟合与预测

以1950-2007年内蒙古自治区人口总量数据为依据,利用ARIMA（1,1,1）与GM（1,1）模型分别对内蒙古人口总量的时间序列进行了拟合、分析与预测。分析结果表明：两种模型的拟合程度都比较高,但灰色模型的拟合度更高。因此用GM（1,1）模型对内蒙古自治区2010-2012年的人口总量进行了预测。     

一种新的非等间隔灰色预测模型

文章分析得出传统非等间隔GM(1,1)模型模拟序列并非GM(1,1)模型的指数序列,因此导致其应用范围不及GM(1,1)模型。建立模拟序列为指数序列的非等间隔GM(1,1)模型,线性组合背景值的建立使得模型满足无偏性。以实例数据验证了新的非等间隔灰色预测模型对非等间隔近似指数序列拟合具有更高的精度,拓广了灰色理论的应用范围。     

运用改进灰色模型预测消费者信心指数

文章应用灰色系统理论对我国消费者信心指数建立了GM(1,1)模型,并通过改进模型中拟合曲线经过更新点来重新预测,结果表明,改进灰色模型有更好的拟合效果,可用于消费者信心指数的预测。     

基于背景值构造方法的GM(1,1)模型优化

背景值构造方法是影响GM(1,1)模型精度和适应性的重要因素之一.在已有背景值构造方法的基础上,文章重构了一种精确的、优化的背景值构造公式.使用这种新型背景值构造方法的GM(1,1)模型不仅拟舍、预测精度高,并且对于高、低指数增长序列建模同时适用.示例数据的拟合和预测结果充分显示出新型背景值构造方法的有效性和优越性.