基于背景值优化的GM(1,1)国内旅游消费预测模型

针对传统灰色GM(1,1)模型的背景值大于实际背景值的情况,根据差分插值原理对模型背景值进行优化。选取2006—2015年我国国内旅游消费数据,在对原始数据作对数处理的基础上,基于背景值优化GM(1,1)模型,对我国国内旅游消费水平进行预测。与传统GM(1,1)模型进行对比,结果表明:基于背景值优化的GM(1,1)模型能大幅减小预测误差,提高模型精度,非常适用于国内旅游消费中短期预测。     

应用优化GM(1,1)模型的农民消费水平预测研究

为了使传统灰色GM(1,1)模型的背景值和灰度值更加协调,对原始数据序列和模型背景值进行优化。基于优化的灰色GM(1,1)模型,选取2000—2014年我国农民消费水平数据,预测未来几年我国农民消费水平。结果表明:优化GM(1,1)模型的背景值能减小预测误差,提高预测准确精度,非常适合进行中短期预测;同时,未来几年我国农民消费水平将继续保持稳步增长,到2020年我国农民消费水平将达到19 303元,这将有利于实现我国经济稳步增长。     

基于残差灰色模型的天然气消费预测研究

随着全国各地"煤改气"如火如荼地进行,天然气消费量持续增加,科学准确地预测天然气消费量显得尤为重要。在传统GM(1,1)模型的基础上,建立灰色残差GM(1,1)模型,对我国天然气消费进行预测,并对比分析了残差GM(1,1)模型和传统GM(1,1)模型的预测精度。结果表明:残差GM(1,1)模型进一步提高了预测精度,适用于天然气消费预测研究。     

基于灰色关联度的GM(1,1)-BP神经网络组合模型研究

改革开放以来,我国居民消费水平保持较快发展态势,准确预测未来居民消费水平能更好地掌握国民经济发展趋势,为政府相关部门制定战略规划和产业政策提供参考。为此,基于灰色关联度建立了GM(1,1)-BP神经网络组合模型,对2000—2016年居民消费水平进行模拟,并对比分析GM(1,1)模型、BP神经网络模型、灰色组合模型模型的预测误差。仿真结果表明,基于灰色关联度的GM(1,1)-BP神经网络组合模型能进一步提高预测准确性。     

改进GM（1，1）模型在四川天然气需求预测中的应用

为了提高GM（1,1）模型在天然气需求预测中的精度和普遍适用性,首先分析了传统GM（1,1）模型存在的不足,提出了改进方法,在传统GM（1,1）模型基础上通过对模型系数进行优化修正,降低预测模型的模型系数,建立了改进的GM（1,1）预测模型。利用四川2000～2007年天然气消费量统计数据对传统GM（1,1）、无偏GM（1,1）和改进GM（1,1）进行了对比预测分析。分析结果表明改进GM（1,1）模型具有较高的精度。     

基于GP的非线性GDP预测模型的构建与应用

针对线性GDP预测模型中存在的不足,利用遗传规划(GP)方法构建了非线性GDP预测模型,并将其应用于黑龙江省的GDP预测当中。利用黑龙江省1978—2005年实际GDP数据作为建模样本,对模型进行了训练,结果表明,与灰色GM(1,1)预测模型相比,基于GP的非线性预测模型平均拟合误差只有2.86%,远远低于GM(1,1)预测模型8.26%的结果。利用构建的基于GP的非线性预测模型对2006年黑龙江省的GDP进行预测,相对预测误差只有2.74%,远远低于GM(1,1)预测模型14.68%的结果,表明GP非线性预测模型的预测效果比较理想。最后利用基于GP的非线性预测模型对黑龙江省2007—2020的GDP进行了预测,结果表明黑龙江省的GDP呈现出稳定增长态势,年均增长率将达到8.61%。     

税收增长预测的灰色理论模型研究

税收是国家财政收入的重要来源,准确的税收预测结果对于制定各项经济政策具有非常重要的意义。文章在传统GM(1,1)模型的基础上,通过改变背景值,提出了用于中国税收预测的改进GM(1,1)模型。实例分析采用中国1994-2008年共15年的税收数据,预测结果表明:灰色预测可以较好地模拟出税收总量的变化趋势,而改进的GM(1,1)模型比传统的GM(1,1)模型所得到的预测结果更加合理。并且,整个预测过程思路简洁,易于编程实现,在当前中国税收政策变化力度加大、受国内外经济波动影响颇深的情形下,依然不失为一种有效的税收预测方法。     

基于GARCH模型与灰色预测模型GM(1,1)的人民币汇率收益率分析

论文中对人民币汇率收益率序列分别建立了GARCH(1,1)模型和GM(1,1)模型.首先利用GARCH(1,1)模型刻画了收益率序列的波动性,接着通过预测模型GM(1,1)对收益率序列水平值进行预测.实证结果表明,人民币汇率收益率序列之间存在明显的波动性和长期的自相关性,预测模型GM(1,1)能够很好的拟合人民币汇率收益率序列,是一个可用的较好的预测模型.     

基于灰色关联度组合模型的能源消费预测研究

为了准确预测未来几年我国能源消费总量,基于灰色关联度建立了我国能源消费组合预测模型,并与传统GM(1,1)模型进行对比分析。结果表明:组合模型能有效降低平均相对误差,提高预测精度,非常适用于我国能源消费预测。     

改进的灰色预测模型的应用

提出了对原始数据作指数变换与优化灰导数相结合的方法对GM(1,1)模型进行了改进.使预测精度大为提高,通过实例验证了所建模型的实用性与可靠性.     

基于灰色系统模型的粮食供给分析

文章基于灰色系统理论,以1978~2006年的粮食总产量的数据为基础,建立粮食产量的动态GM(1,1)灰色预测模型,对未来10年中国的粮食产量进行动态预测,为我国今后粮食的生产提供科学决策依据.     

含线性时变参数的反向累加离散灰色预测模型

为了增强灰色预测模型对各种特征数据的适应性,在现有反向累加灰色模型研究的基础上,提出了一种含线性时变参数的反向累加离散灰色预测模型,并给出了可用于预测的模型时间响应式和还原式。通过数值模拟和对广东省电力消费量的预测分析,结果显示:新模型比传统GM(1,1)模型、反向累加GOM(1,1)模型和反向累加离散DGOM(1,1)模型具有更高的建模精度。     

青少年刑事罪犯数量的灰色预测及启示

我国青少年犯罪一直是一个比较严峻的社会问题。为此以1997一2010年人民法院审理的青少年犯罪刑事案件数据为依据,并利用GM(1,1)模型和GM(1,1)残差模型对我国青少年罪犯数量的时间序列进行了拟合、分析与预测。结果表明,GM(1,1)残差模型的拟合程度较高,说明我国青少年犯罪的数量还在增加。由此提出需要整合家庭、学校、社会和政府的力量来预防和治理青少年的犯罪。     

中国工业碳排放及其影响因素灰色预测分析——基于STIRPAT模型

基于STIRPAT模型,将中国工业碳排放的影响因素确定为人口规模、人均工业产值和工业技术水平。以1997年至2010年中国工业碳排放相关数据为研究样本,采用灰色预测GM(1,1)模型预测了工业碳排放、人口规模、人均工业产值和工业技术水平2011-2020年的未来值,为控制未来工业碳排放量提供数据参考。结果表明,从灰色预测的增速和总量综合来看,人均工业产值对工业碳排放影响最大。同时GM(1,1)对工业碳排放及其影响因素的预测精度较高。     

基于GM(1,1)模型对房地产投资额的预测研究——来自四川省成都市的经验证据

针对房地产开发投资额样本数据少、受各种因素影响具有不确定性的特点,运用灰色理论中应用最为广泛的GM(1,1)模型,以2004年以来成都房地产开发投资额的年统计数据为样本,对成都2009年的房地产开发投资额进行拟合。实证分析过程中通过弱化缓冲序列算子的作用,调整了样本数据的增长速度,实证结果表明GM(1,1)模型在房地产开发投资额预测方面精度较好,能够用该GM(1,1)模型对成都未来的房地产开发投资额进行预测分析,为政府、投资者、消费者的决策提供参考意见。     

基于GM(1,1)模型的郑州市商品房房价预测

通过对郑州市2010年1月-2012年7月商品房房价的实际数据进行分析,建立了GM(1,1)模型和郑州市商品房房价的预测函数,采用灾变预测GM(1,1)模型对其变动趋势进行分析,预测出郑州市商品房房价的突变点,得到郑州市商品房房价将在2012年12月份左右有所回落,并通过对后验差的检验对预测函数进行了评估.其分析过程对类似问题具有一定的参考价值.     

基于灰色预测模型GM(1,1)的人力资源需求预测研究

文章使用灰色预测模型GM(1,1)对A企业人员数量进行预测,通过对A企业人员数据累加处理后的标准光滑性检验和验证准指数规律,发现A企业人员数据满足GM(1,1)预测模型,应用MATLAB软件进行数学计算,建立A企业人力资源需求预测模型,预测结果与精度检验表明模型符合二级精度,可以做中长期预测。     

基于VAR和GM组合模型的电力消费预测

组合预测模型较单一模型具有更准确的预测精度,利用中国电力消费1978年～2007年的年度数据,将VAR模型与灰色预测的GM(1,1)、无偏GM(1,1)两种模型有机组合,建立灰色VAR组合预测模型,对2008年～2015年的电力消费量进行预测。结果表明,该模型平均相对误差为4.88％,拟合精度较高,具有较好的应用价值。     

中值逼近式灰色GM(1,1)模型探析

本文对传统GM(1,1)进行了推广,提出了中值逼近式模型,实例表明精度较传统模型要高.     

2005-2010年四川省人才需求预测

本文依据相关资料数据,构建灰色模型GM(1,2)和GM(1,1).应用模型对四川省2005-2010年从业人才需求和三次产业人才结构情况做出预测,并对人才质量进行分析.在此基础上,提出了实现预测目标的策略建议,为四川省人才培养决策提供参考.