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。     

GM(1,1)模型的改进与应用

文章提出了一种增加扰动因素β来修正初值x(1)(n),采用最小二乘原则来建立无约束优化模型的方法来提高GM模型的精度,使所建的模型的精度大为提高。通过具体的实例验证了模型比传统GM(1,1)模型有更高的精度和适应性,并利用这种方法对全国2008～2010年GDP总量进行了预测。     

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。     

灰色GM(1,1)幂模型初始条件的组合优化

针对GM(1,1)幂模型求解初始条件的优化问题,提出一种基于原始序列新旧信息的线性组合优化方法.在模拟误差平方和最小化的目标下,构建初始条件组合权重的优化模型,给出最优组合权重的解析式.最后以中国高中升学率的数据为例,验证了此优化模型的有效性和优越性.结果表明初始条件优化方法能够有效地平衡新旧信息的权重,并提高GM(1,1)幂模型的模拟和预测精度.     

基于反向变换和遗传算法的GM（1，1）模型优化

文章根据灰色模型建模特点,对原始数据利用反向变换生成新数据序列,建立了GM（1,1）预测模型;GM（1,1）模型中的背景值和初值对模型的预测精度均有影响,进而以平均相对误差达到最小为准则,提出了基于遗传算法求解最佳背景值和最佳初值修正项的方法。     

非等距灰色预测模型的应用

本文首先对非等间距灰色预测模型的预测精度进行了分析,说明模型初值的选择对模型的预测精度也有着重要的影响;进而提出了可以提高预测精度的修正初值的方法,最后,给出了一个应用实例。结果表明,通过初值的修正能够提高预测模型的预测精度。一、非等间距灰色预测模型精度分析假     

优化灰导数的直接GM(1,1)模型

对于原始数据为近似非齐次指数的序列,文章采用向前差商和向后差商的加权平均值作为直接建模的灰导数,并且优化了初始条件,建立了新的直接GM(1,1)模型。通过实例验证了新模型不仅提高了建模的精度,还扩大了模型的适用范围,具有一定的理论价值和应用价值。     

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.     

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.     

基准动态指数平滑的预测模型

指数平滑法在实际应用中,由于其平滑参数和初值是静态的且主要靠使用者的经验来选择,极易导致系统偏差问题,因此,预测结果往往不够理想。本文在对传统指数平滑预测方法局限性分析的基础上,引出准动态平滑参数和准动态平滑初值的概念,并提出一种能自动适应预测进程的新模型。先依据统计学原理对指数平滑预测模型的精度特性进行分析;再以最小预测误差平方和(SSE)为优化目标,建立准动态指数平滑参数和初值的动态优化模型,该模型能随着新观测值的加入而自动调整;最后,基于最速梯度法基本原理,给出该优化模型的一个可行求解方法,客观地求取最优的准动态指数平滑参数和初值。将该模型作为关键技术应用到加工质量预测补偿控制领域,并与时序AR模型、灰色GM模型及传统指数平滑模型的结果进行对比,表明本文方法具有一定的优越性。     

灰色系统预测方法及应用——基于我国私人汽车拥有量的预测

本文讨论了灰色模型GM(1,1)及其GM(1,1)修正模型在我国私人汽车拥有量预测中的应用,比较两种模型的预测结果,提高了预测精度,并对方法的应用进行评价。     

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。     

改进的初值和背景值优化的MGM(1,m)模型及应用

针对传统的MGM(1,m)模型存在模拟精度和预测精度不高的问题,文章给出了改进的初值和背景值优化的MGM(1,m)模型。在模型初值的选取上,选取使得模拟值的平均相对误差达到最小的向量X(1)(i)作为初值;在模型背景值的构造上,提出结合辛普森3/8公式的动态序列模型来求解背景值的方法。最后以两组指数型数据序列为例建立了传统MGM(1,2)模型及改进后的模型,并进行数据模拟和预测。结果表明,改进后的MGM(1,m)模型的模拟精度和预测精度均有显著地提高,从而验证了模型的有效性和可行性。     

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。     

等维灰数递补模型在人口预测中的应用

人口是一国和地区发展的重要因素。准确的人口预测是制定国民经济计划、区域发展规划的基础。文章介绍了灰色GM(1.1)模型在人口预测中的应用,包括模型的建立、精度检验、不同维模型的选优以及提高模型预测精度的等维递补方法;并用等维灰数递补GM(1.1)模型对甘肃省2006-2020年的总人口进行了预测,精度检验结果表明模型预测精度高,预测结果较为可靠。     

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。     

基于灰色PGM(1,N)模型的人口发展预测

为提高我国人口预测模型的预测精度,文章分析了GM(1,1)和PGM(1,N)预测模型的特点,并分别利用GM(1,1)和PGM(1,N)模型对我国人口的变化情况进行了预测,发现灰色PGM(1,N)预测模型有更高的精度和可靠性,更适合于我国人口的预测。     

基于三角灰色系统模型的煤炭消费预测

文章认为，灰色GM（1，1）预测模型和三角残差修正技术相结合能够显著提高预测精度。预测的基本步骤为，首先运用灰色GM（1，1）模型获得趋势项；然后利用三角模型捕获GM（1，1）模型残差的周期现象以提高预测精度。中国年煤炭消费量预测实验结果表明，TGM（1，1）模型较传统GM（1，1）模型具有较高的灰色预测精度。中国2010-2013年的煤炭消费量预测结果表明，短期内煤炭消费量会随着GDP增长而逐年增加，因此有必要降低能源结构碳强度，减缓煤炭需求增长，提高煤炭利用效率。     

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.