分数阶反向累加GM(1,1)模型及其性质

针对正向序列累加GM(1,1)模型都不满足新信息优先原理的问题,文章从理论上证明了一阶反向累加GM(1,1)模型不能较好地满足新信息优先原理.针对一阶反向累加GM(1,1)模型的不足(只适用于递减序列,没有利用最新消息),提出了分数阶反向累加GM(1,1)模型,将反向序列累加的适用范围扩展到递增序列,充分挖掘了新信息.实例说明分数阶反向累加GM(1,1)模型具有较强的预测能力.     

一致性分数阶优化灰色模型及其应用

传统的分数阶灰色预测模型在时间序列预测中具有较好的适应性和预测的有效性,但其累加和差分计算式比较复杂。一致性分数阶累加相对于一般的分数阶累加,形式更简单,更便于计算和理论推导。为了提高模型的适应性和预测能力,文章在CFGM(1,1)白化方程中引入一个新的可变系数,扩大了原有白化方程的适用范围,并在此基础上构建了一致性分数阶优化灰色模型,即CFOGM(1,1)模型。最优一致性分数阶阶数和可变系数通过PSO算法最小化平均相对误差获得。将构建的模型运用到两个实例中并与其他经典的灰色预测模型进行对比,结果表明所提出的模型具有较高的拟合和预测精度。     

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。     

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.     

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。     

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.     

基于改进的灰色GM(1,1)模型的人口预测

一个国家或地区的人口准确预测是制定相应的宏观政策和规划的重要依据。本文以灰色预测理论为基础,运用改进的GM(1,1)模型,以辽宁省为例,对人口进行预测,并与传统的GM(1,1)模型预测结果进行比较。结果表明:改进的GM(1,1)预测模型预测精度大大提高,具有可行性和实用性,可用与对未来人口规模进行预测。     

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.     

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。     

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.     

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。     

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.     

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。     

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.