基于网络搜索信息的农村水环境质量灰色预测模型

针对农村水环境直接监测数据相对缺乏、间接数据难以有效引入的问题，综合灰色关联分析和预测模型，提出一种基于网络搜索信息的农村水环境质量灰色预测模型。首先，综合考虑数据重要性和可获得性，确定农村水环境相关的搜索关键词清单；然后，采用主成分分析法提取搜索关键词的主要特征，构建初始网络搜索变量，并利用灰色绝对关联度衡量各初始网络搜索变量与水环境质量之间的关联程度。在此基础上，构建不同频率数据的多变量离散灰色模型，将强关联变量的降频数据作为多变量离散灰色模型的驱动因素，从而构建基于网络搜索信息的农村水环境质灰色预测模型。实例分析结果表明，相对于传统灰色模型，引入网络搜索信息可以提高农村水环境预测精度，为农村水环境治理提供决策支持。     

面向灾害应急物资需求的灰色异构数据预测建模方法

多源信息集结对提高自然灾害环境下统计数据可信度具有重要作用,但信息渠道的多源性极易导致集结信息数据类型不一致、不兼容,形成灰色异构数据序列。本文应用灰色系统建模技术对灰色异构数据预测建模方法展开研究,首先,基于"核"和"灰度"对灰色异构数据进行规范化处理;然后,建立灰色异构数据"核"序列的DGM(1,1)模型,并以"核"为基础,根据灰度不减公理,以灰色异构数据序列中最大灰度值所对应的信息域作为预测结果之信息域,推导并构建了灰色异构数据预测模型;最后,将该模型应用于某地震帐篷需求量的预测。本文研究成果将传统灰色模拟及预测模型建模对象从"同质数据"拓展至"异构数据",对丰富与完善灰色模拟及预测模型理论体系,提高自然灾害救援效率具有积极意义。     

基于自忆性原理的多变量MGM(1,m)耦合系统模型构建及应用

针对小样本条件下具有相互制约关系的多变量系统,本文提出了一种新颖的多变量MGM(1,m)自忆性耦合系统模型,用来统一描述系统各变量间关系并且提高其建模精度。该模型通过有机耦合动力系统自忆性原理与传统MGM(1,m)模型,综合了两者各自的优势。系统的自忆性方程包含多个时次初始场而不仅是单个时次初始场,从而克服了传统灰色预测模型对初值比较敏感的弱点。对基坑变形预测的实例研究结果表明,所构建模型能够充分利用系统的多个历史时次资料,可以紧密捕捉系统演化趋势,模拟预测精度显著高于传统多变量MGM(1,m)模型。研究结果表明,新模型丰富和完善了灰色预测理论,值得推广应用于其他类似的多变量系统。     

基于并联灰色神经网络的陕西省宏观经济预测

结合灰色GM（1,1）预测模型和BP神经网络2种预测模型的优点,提出了一种并联灰色神经网络模型,并用该模型对陕西省宏观经济进行预测.结果表明,并联灰色神经网络预测精度高于单一的灰色GM（1,1）预测模型或BP神经网络.     

灰色组合预测模型及其应用

针对传统回归模型需要的数据量大且建模复杂等缺陷,提出了一种基于灰色关联度和GM(1,1)的灰色组合预测模型;从灰色关联度的视角寻找数据之间的依赖关系,运用GM(1,1)模型预测数据关系的未来发展趋势,进而建立因变量的预测模型;模型体现了回归分析基于事物因果关系的建模思想,同时又具有灰色理论小样本建模的特点;应用该模型对我国2007和2008年度的GDP进行预测,预测结果表明了该模型的有效性及实用性。     

基于组合插值的GM(1,1)模型预测方法的改进与应用

从理论上分析了GM(1,1)模型中的背景值,提出组合插值的思想,利用分段线性插值函数与Newton插值公式结合的方法构造一类新的灰色预测模型CIGM(1,1),改进背景值的构造方法,克服现有的灰色改进模型的不足,为提高预测精度提供了新的途径。最后以2008年江苏省工业用电量数据为例,用本文提出的方法进行预测仿真,理论分析和应用实例表明了本文所提方法的有效性。     

船闸通过量预测模型对比研究

船闸通过量作为衡量内河航运繁荣程度的一个重要指标已被广泛的使用,通过以秦淮河船闸历年的通过量为研究对象,综合了目前常用的几类预测模型即线性模型、非线性模型、灰色系统理论模型对秦淮河船闸的通过量进行了短、中、远期的预测分析。通过对分析模型的对比研究得出了灰色系统理论模型的预测效果最好,发现船闸所在地的社会经济因素和自然因素对船闸的通过量影响较大,并根据各预测模型的预测量指出,秦淮河复线船闸应早日建设。     

船闸通过量预测模型对比研究

船闸通过量作为衡量内河航运繁荣程度的一个重要指标已被广泛的使用,通过以秦淮河船闸历年的通过量为研究对象,综合了目前常用的几类预测模型即线性模型、非线性模型、灰色系统理论模型对秦淮河船闸的通过量进行了短、中、远期的预测分析.通过对分析模型的对比研究得出了灰色系统理论模型的预测效果最好,发现船闸所在地的社会经济因素和自然因素对船闸的通过量影响较大,并根据各预测模型的预测量指出,秦淮河复线船闸应早日建设.     

基于灰色系统理论的我国物流发展规模的预测研究

物流发展规模预测对于制定宏观经济政策和促进经济发展具有重要意义。在我国现代物流产业统计指标体系尚未健全的情况下．运用灰色系统理论思想与方法,能够在一定程度上解决物流产业量化研究的瓶颈问题。灰色系统预测模型GM（1,1）模型,为单序列建模。能够弱化序列随机性,挖掘系统演化规律．因此本文应用该模型对我国货运量进行预测,以此反映未来物流的发展规模．为国家规划物流产业和制定物流政策提供决策依据;同时研究结果表明该预测模型精度等级较高．效果较好．在基于灰色系统思想的中国现代物流产业的量化研究过程中．GM（1,1）预测模型的应用起到了抛砖引玉的作用。     

基于遗传算法优化的GM（1，1）能源预测模型研究

能源消费预测是制订能源规划的重要组成部分.鉴于能源消费系统的复杂性和非线性的特征,本文结合某省能源消费的历史数据,用灰色系统理论建立了GM(1,1)预测模型,并对其优缺点进行了分析,在此基础上引入遗传算法,对该灰色预测模型参数进行优化,从而获得更为精确的能源预测模型和预测值.实例的预测结果表明,该模型可以作为能源消费预测的有效工具.     

基于驱动因素控制的线性时变参数DLDGM(1,N)模型

针对传统GM(1,N)模型未考虑参数随时间变化的动态特征及未明确驱动因素作用机制的问题,首先引入线性时变参数以及驱动因素控制函数,构建基于驱动因素控制的线性时变参数DLDGM(1,N)模型,论证DGM(1,1)、NDGM(1,1)、TDGM(1,1)、DGM(1,N)、DCDGM(1,N)模型均是该模型在不同参数取值下的特殊形式;然后基于白化信息充分和匮乏的两种情况,给出驱动因素控制参数的识别方法;最后应用所提模型对河南省粮食产量进行预测,验证模型的有效性和实用性。     

智能组合预测方法及其应用

由于具有能以任意精度逼近任意复杂非线性函数的优良性能,神经网络在灰色系统预测中得到了较大的应用。在已有的研究基础上,针对灰色神经网络进化时容易陷入局部最优,参数修正受阻的问题,建立基于遗传粒子群混合算法优化的新型灰色神经网络模型。首先将灰色神经网络进行数学建模,以便于优化算法的应用;其次,综合遗传算法与粒子群算法的优点,构造一种混合算法,运用混合算法对灰色神经网络进行优化;最后通过日本入华游客数量预测的算例研究,比较新型灰色神经网络与灰色神经网络、单一算法优化的灰色神经网络的预测精度。所得结果表明,混合算法优化的新灰色神经网络具有更好的预测性能,在社会经济领域有着广泛的应用前景。     

季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究

电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题，基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先，基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别，继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess，STL)模型实现季节性分量提取。然后，采用Holt-Winters模型对获得的季节性分量进行预测，并以支持向量回归模型(Support Vector Regression，SVR)预测分解获得的其他分量。最后，通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明，提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求，且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。     

基于误差校正的灰色神经网络股票收益率预测

在股票市场中,准确的股票收益率预测是市场交易各方共同关心的重要问题。由于影响股票市场的因素十分复杂,仅靠建立单一的股票收益率预测模型来提高预测精度是非常困难的。本文对当前股票收益率预测方法存在的不足进行了阐述,并提出了以误差校正来提高股票收益率预测精度的新思路。首先,利用训练样本构建灰色神经网络模型,然后对股票收益率进行初步预测;其次,引入EGRACH模型来挖掘和分析预测误差序列的内部信息,并对该序列后续点进行预测;最后,利用误差预测结果对股票收益率的初始预测值进行校正。文章以上证综合指数数据为例进行分析,结果显示,与校正前的预测精度相比,校正后的预测精度提高了9.3%,表明EGRACH的误差校正过程是有效的,也验证了该方法的可行性。     

基于“拆分-填充-分解-集成”的我国线上零售额预测研究

线上零售额的准确预测是政府制定零售政策和发展规划的依据,也是电商和物流企业确定发展战略的基础。由于我国线上零售额数据具有样本量小、波动性大、受节日影响大、存在缺失值等特征,准确预测变得十分困难。为解决这个问题,本文提出了一种“拆分-填充-分解-集成”的预测框架。具体而言,首先将数据集拆分为实物零售数据与非实物零售数据两部分。其次,分别根据实物零售与非实物零售数据不同的缺失特征对样条插值法做了改进,提出了基于“样条插值-二分调整”的分解填充法以及基于“分段线性函数拟合-样条插值”的分解填充法,对两组数据进行缺失值填充。继而基于两组数据的不同特征,分别提出“乘法分解-ARIMA-移动平均”以及“STL分解-BP神经网络-灰色波形”的预测方法对两组数据进行预测。最后将两组预测结果集成,得到我国线上零售额的预测值。实证结果表明,本文提出的预测框架能较好地捕捉我国线上零售额数据的特征,具有很高的预测精度,且较传统的缺失值填充和预测方法在性能上表现更好。本文提出的“拆分-填充-分解-集成”预测框架,丰富了现有的缺失值填充与预测方法,并为预测实践提供了解决方案。     

优化离散灰色幂模型及其应用

考虑已有的灰色预测模型主要能对指数型发展系统或幂函数型发展系统进行模拟预测,本文构建了一种不仅能够模拟指数型和幂函数型的发展系统,并且能够体现出二者之间的相互作用关系的离散灰色幂模型;并针对初始条件对离散灰色幂模型模拟精度的影响,首先给出了离散灰色幂模型的建模步骤,然后以平均相对误差最小化为目标、参数之间的关系为约束条件,构建了离散灰色幂模型初始条件的优化模型,实现对离散灰色幂模型初始条件的优化。结果表明,优化的离散灰色幂模型使得平均相对误差在理论上达到了最小化,其模拟精度和预测精度都高于传统模型。最后,通过中国网络购物人数数据预测和仿真数据分析,说明了本文优化方法的有效性和适用性。     

准公共产品:基于政府监管机制的共享单车投放管理研究

随着信息技术的快速发展，以"互联网+"模式为基础的共享单车成为解决城市"最后一公里"问题的最佳选择。本文从公共管理的视角，运用演化博弈的方法，基于共享单车的投放管理，研究了政府部门和共享单车运营商的长期动态演化过程。研究发现，运营商进行共享单车投放量管理时应将社会收益作为衡量指标之一，政府部门积极发挥市场监管职能，引导运营商建立有效的市场规则，同时顺应当前互联网发展的趋势，利用社会化媒体合理有效发挥政府部门的社会监督职能，加快实现政府发挥监管作用、企业单车投放量管理高效化的稳定市场格局。