灰色GM（1，1）模型中参数估计的几种方法比较

文章介绍了灰色GM（1,1）模型中参数估计的最小二乘准则、全最小二乘准则、最小一乘准则和折扣最小一乘准则,并指出了它们的优缺点。将这四种方法分别用于递增序列、递减序列、振荡序列的灰色GM（1,1）模型参数估计中,并通过优化软件LINGO计算出相应的参数。最后,对建立的灰色GM（1,1）模型的精度进行了比较,结果显示：最小一乘准则和折扣最小一乘准则模型参数估计明显优于最小二乘准则、全最小二乘准则模型参数估计。     

基于全最小一乘准则的灰色GM（l，1）模型参数估计

针对传统灰色GM（1,1）模型参数估计的最小二乘算法稳健性较差,在分析全最小一乘算法比最小二乘算法具有较好稳健性的基础上,文章提出了基于全最小一乘准则估计灰色GM（1,1）模型的参数,并给出了求解该算法的LINGO~序和规划模型方法,并通过计算实例说明,基于全最,J、一乘准则参数估计的GM（1,1）模型比传统灰色GM（1,1）模型具有更好的抗干扰性能和受异常点影响小的优点,从而拓展了灰色GM（1,1）模型的适用范围。     

基于全最小一乘准则的灰色GM(1,1)模型参数估计

针对传统灰色GM(1,1)模型参数估计的最小二乘算法稳健性较差,在分析全最小一乘算法比最小二乘算法具有较好稳健性的基础上,文章提出了基于全最小一乘准则估计灰色GM(1,1)模型的参数,并给出了求解该算法的LINGO程序和规划模型方法,并通过计算实例说明,基于全最小一乘准则参数估计的GM(1,1)模型比传统灰色GM(1,1)模型具有更好的抗干扰性能和受异常点影响小的优点,从而拓展了灰色GM(1,1)模型的适用范围。     

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。     

直接离散GM(1,1)模型参数估计的最小一乘法

研究表明直接离散GM(1,1)模型对严格服从非齐次指数规律的原始数据进行建模,所得到的模型具有完全相同的指数规律,而当数据为近似非齐次指数规律时,直接离散GM(1,1)模型拟合效果较差.主要原因是直接离散GM(1,1)模型采用最小二乘法估计参数,稳健性不好造成的.针对这一情况,文章提出利用最小一乘法估计直接离散GM(1,1)模型参数改进上述不足.对比实验表明,采用最小一乘法估计参数得到的直接离散GM(1,1)模型具有很好的精度和稳健性,使得直接离散GM(1,1)模型的适用范围得到进一步扩大.     

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。     

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。     

基于蚁群算法的灰色模型参数估计法

灰色GM(1,1)预测模型中,发展系数和灰色作用均采用最小二乘方法得到,文章提出了一种采用蚁群算法估计发展系数和灰色作用的新方法,并给出蚁群算法的步骤,最后通过一个我国人口数量预测的实例,表明该方法具有较高的拟合和预测精度.     

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。     

非等间距GM(1,1)模型在股票预测中的优化

文章根据灰色系统建模方法和原理,在GM(1,1)建模思想上给出了一种逐步优化的非等间距GM(1,1)模型,该模型是在背景值优化和向前差商和后向差商的加权平均值代替灰导数基础上,应用累积法来估计模型参数,并基于一次累加序列与其模拟值之间误差平方和最小的准则,确定时间响应函数中的常数值,以此来优化非等间距GM(1,1)模型,实例表明该模型具有较高的精度。     

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.     

最小一乘准则在试验设计建模分析中的应用

本文分析了应用最小二乘准则进行试验设计建模分析所存在的局限,给出了利用NM单纯型法迭代求解最小一乘参数估计的算法,并将最小一乘法应用到试验设计的建模分析中。     

最优多项式时变参数离散灰色模型及应用

针对复杂的非线性小样本序列,文章在离散GM(1,1)模型基础上引入多项式时间项构造了多项式时变参数离散灰色模型（PDGM(1,1)模型）,证明了该模型的白指数规律、多项式规律重合性和伸缩变换一致性,优化了该模型的迭代基值。并且通过在PDGM(1,1)模型的发展系数和灰作用量中选取多个不同的多项式时间项,构造了一系列PDGM(1,1)模型,根据MAPE最小原则建立了最优多项式时变参数离散灰色模型。实例建模的结果表明该模型具有较高的模拟和预测精度。     

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。     

含有时间幂次项的新GM模型建模参数特性研究

为提升灰色预测模型的精度,在GM(1,1)模型相关研究成果基础上构建了一种含有时间幂次项的灰色预测模型,讨论了该模型参数在系统特征序列经数乘变换前后的量化关系及数乘变换对该模型建模精度的影响程度.研究结果表明:新模型的建模精度与系统特征序列的数乘变换无关.研究结论认为,利用数乘变换可在不改变建模精度前提下简化新模型的建模过程,提高其建模效率.     

确定GM(1,1)模型白化响应式中常数C的一种新方法

在形成GM(1,1)模型的预测公式时,白化方程的时间响应函数中任意常数C的确定对模型的精度有重要的影响。文章在分析了现有的常数C的确定方法后,提出了确定常数C的广义最小偏差法,给出了广义最小偏差法的遗传算法求解,从而得到了提高预测精度的预测模型。     

对灰色预测模型残差问题的探讨

对利用原始经济序列x0建立的灰色预测模型检验不合格或精度不理想时,要对建立的模型进行残差修正(建立修正模型),以提高模型的预测精度。在对以往的残差模型进行残差检验时常用△(1)=x1-■1衡量,笔者认为利用灰色模型实际预测的是■0的大小,因此对模型进行检验时需用△(0)=x0-■0衡量。本文以灰色预测模型中的GM(1,1)模型为例,对两种残差检验的衡量方法进行了比较分析,并提出了改进灰色预测模型的方法与建议。     

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。     

基于残差修正的GM（1，1）模型的我国人均粮食产量预测

灰色预测作为一种新颖的预测方法在误差处理方面仍然需要改进,文章在对相关预测方法进行比较的基础上提出了一种对尾端残差修正以提高预测精度的GM（1,1）灰色预测方法,并结合我国2000~2009年的历史数据对我国粮食产量进行了预测,最后进行了总结并提出了相关研究展望。