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。     

利用非齐次指数函数构造GM(1,1)模型背景值的新方法

文章以灰色GM(1,1)模型背景值的优化为研究目的,讨论了传统背景值构造方法适用于低增长指数序列、对高增长指数序列拟合产生滞后误差的原因,提出了利用非齐次指数函数x(1)(t):A.eBt+C在区间[k-1,k]上与横坐标轴所围实际面积来构造背景值的新方法,并对其合理性进行了证明;在不同发展系数a条件下,比较了背景值构造方法对模拟和预测精度的影响,给出了新背景值条件下GM(1,1)模型的适用范围;大量的数据模拟和模型比较表明,新背景值构造方法提高了背景值的精确性及灰预测模型的拟合精度和预测精度.     

基于数据变换和背景值优化的GM(1,1)模型

文章为了提高GM(1,1)模型的预测精度,提出一种基于数据变换和背景值优化的GM(1,1)模型.考虑通过弱化缓冲算子得到原始数据序列的缓冲序列,并对缓冲序列进行对数变换,而后对GM(1,1)模型的背景值进行优化.实例结果表明新建GM(1,1)模型降低了误差,提高了预测精度.     

基于变步长梯形算法GM(1,1)模型背景值的优化

文章从GM(1,1)建模机理及背景值形成过程出发,分析出对于具有明显指数规律的一次累加生成序列,GM(1,1)有时会出现预测误差较大的情况,并得出背景值的构造方法是造成这种误差的重要原因之一.利用拉格朗日插值函数和变步长梯形算法对背景值进行优化,通过对变步长梯形算法中步长大小的变化,形成了一种新的背景值构造方法,可使由背景值构成的误差降低.     

遗传算法优化的GM(1,1)模型研究

为提高GM(1,1)模型预测精度,文章分析了模型中背景值构造与预测结果误差的关系,并总结了背景值改进研究的相关成果。采用权值序列替换原模型背景值构造公式中的单一权值,建立了GA-GM(1,1)预测模型,利用遗传算法迭代寻优获得的一组最优权值序列来构造背景值,以提高模型精度。用两组数据进行GA-GM(1,1)模型与GM(1,1)模型的对比实验,结果表明GA-GM(1,1)具有更小的预测误差,验证了该模型的有效性。     

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.     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.     

基于模式搜索法优化的GM(1,1)模型

文章分析了GM(1,1)模型的缺陷,即背景值构造和初始值确定的不足,建立了加权背景值和具有修正项的初始值,背景值权值和初始值修正项采用具有全局寻优能力的模式搜索法求解,实例证明模式搜索法优化的灰色GM(1,1)模型提高了预测精度。     

基于改进灰色模型的企业战略资源预测

针对GM(1,1)模型和灰色非线性Bernoulli模型背景值的缺陷,文章通过背景值重构建立了改进灰色模型,并基于Matlab编程和搜索算法求解参数.将改进灰色模型引入企业战略资源预测中,并与多种预测方法比较.结果表明,该方法合理、有效,预测精度较高.     

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IOWA算子的优化灰色组合模型及其应用

为了提高灰色模型在实际应用中的预测精度,文章对经典GM(1,1)模型进行了改进优化.首先从初始值、背景值和灰色微分方程三个方面优化经典GM(1,1)模型,然后运用诱导有序加权平均(IOWA)算子对三个优化模型进行组合赋权,建立基于IOWA算子的优化灰色组合模型,最后将该组合模型应用到江西省农村电力中长期负荷预测中.结果表明,所提出的组合模型比经典模型和单项优化模型具有更高的预测精度.     

基于滑动平均和粒子群优化的GM(1,1)日前电价预测方法

在对美国PIM电力市场日前电价的变动规律综合分析的基础上,提出了一种基于粒子群优化(PSO)和灰色GM(1,1)模型的日前电价预测方法.该方法首先采用滑动平均法对原始电价序列进行处理,然后对处理后的电价序列建立等维新息GM(1,1)模型,并利用PSO最小化加权平均绝对百分比误差(MAPE),进一步优化GM(1,1)模型的灰色背景值.对PJM电力市场2007年7月到9月的历史数据的算例研究表明,相对于传统GM(1,1)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

基于欧拉法的非等间距GM(1,1)预测模型参数估计

文章提出了一种新的非等间距GM(1,1)模型参数估计方法,该方法不再构造非等间距序列背景值,而是基于欧拉公式直接求解模型参数来建立预测模型,为非等间距GM(1,1)模型参数求解提供了一条新的思路和解决方法。实例应用表明,利用该方法建立的非等间距GM(1,1)模型显著改善了模拟和预测精度,具有精度高、适用性强等特点。     

灰色GM(1,1)模型新的改进方法

为了提高灰色GM(1,1)模型的模拟及预测精度,文章考虑对模型的初始条件x(1)(n)增加扰动因素β,把x(1)(n) β作为模型的新初始条件,并对模型的背景值进行优化,从而得到了一种改进的GM(1,1)模型。文章还通过实例验证了新建模型比原有模型具有更好的模拟及预测精度。     

非等间距GM(1,1)模型时间响应函数的优化

文章以序列间距为乘子,建立了非等间距GM(1,1)模型;根据一次累加序列的观测值与模拟值的残差平方和最小的条件,构建了非等间距GM(1,1)模型的时间响应函数的优化模型.实例计算表明,该模型具有较高的模拟和预测精度.     

累积法GM(1,1)模型的改进与应用

为了提高GM(1,1)模型的精度和适用范围,文章同时在两方面对累积法GM(1,1)模型进行了改进:对初始序列进行预处理以改善其光滑性;用GM(1,1)模型的内涵型代替白化响应式进行预测计算.分析结果表明,改进模型不仅比传统模型的预测精度高,而且完全适用于高增长序列,拓广了GM(1,1)模型的适用范围.     

改进的GM(1,1)灰色预测模型及其应用

针对传统GM(1,1)模型预测精度不高,并且其背景值优化与求解方法优化各具有片面性的缺点,文章给出了组合优化和分段优化两种改进方法,并结合国内居民消费水平的相关统计数据,利用传统GM(1,1)模型及其优化后的模型与两种方法的误差进行对比,表明改进后的灰色模型精度更高,且预测值与实际值较吻合,说明改进后的灰色预测模型的可行性与可靠性更好.     

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。     

高次插值的GM(1,1)模型预测方法的改进

文章分析了GM(1,1)模型改进方法,针对低次插值容易失真和增加插值节点会带来Runge现象的问题,提出一种使用高次插值构造背景值的方法,通过生成背景值节点的一阶导数值,构建高次插值多项式来逼近背景值函数,实现对背景值的重构,建立基于高次插值的GM(1,1)模型.最后分别对稳定型数据、波动型数据和缺失型数据进行实例验证.     

基于AM残差修正的GM(1,1)模型的用水量预测

一个城市的总用水量预测是该城市防洪防灾的重要依据,文章以灰色预测理论为基础,运用AM(简单滑动平均)残差来修正GM(1,1)模型,对北京市年总用水量进行预测,并与传统的GM(1,1)模型预测结果进行比较.结果表明:修正的GM(1,1)模型比传统的预测精度大大提高,具有可行性与实用性,该模型对未来城市总用水量预测具有重要的理论和实践意义.