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。     

无偏GM(1,1)幂模型其及应用

基于GM(1,1)幂模型的模拟误差分析,本文提出了无偏GM(1,1)幂模型及其参数优化方法.从理论上证明了无偏GM(1,1)幂模型对传统GM(1,1)幂模型及其本身的时间响应函数所表达的曲线进行模拟和预测具有重合性,其参数优化方法可以准确识别原始数据所蕴含的参数特性,完全消除了GM(1,1)幂模型自身固有的偏差.其建模过程避免了传统方法由差分方程向微分方程的跳跃导致的误差,应用范围覆盖了无偏GM(1,1)模型和离散灰色模型.数值模拟和实例分析表明,无偏GM(1,1)幂模型使得传统模型的模拟与预测精度得到了显著的改善.     

惯性灰色模型及其应用性质研究

研究灰色预测模型建模的演化过程，可以更好地了解模型的本质特征和状态变化。惯性灰色模型主要研究灰色预测模型建模的演化过程，了解系统变化状态。本文根据数据的力学特性，利用矩阵分析方法研究惯性灰色模型的建模步骤，简化文献［1］中惯性模型的结构参数和分量参数形式，总结求解各种数据序列的力学变换式，获取各种惯性灰色模型的建模机理。最后通过实例研究系统状态的演变过程，将惯性灰色GM(1,1)模型应用到交通流状态的判定中，得到三相交通流与三种惯性灰色GM(1,1)模型的对应关系。利用三种惯性模型模拟效果来准确判断交通流的状态，揭示交通系统实时特性，为交通规划、控制和优化提供可靠的理论依据。     

具有灰指数律数据序列的建模方法研究

通过对灰色系统理论建模机理的分析,建立了对于具有灰指数律的数据序列的EGM模型,通过模拟、试验验证了该模型对于具有灰指数律数据序列的模拟值与预测精度都高于GM(1,1)模型,表明了该模型对具有灰指数律数据序列的有效性与适用性.     

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.     

提高灰色GM(1,1)模型精度的微粒群方法

改变背景值插值系数和边值是提高灰色GM(1,1)模型精度的途径之一。对于满足灰色GM(1,1)建模条件的序列,利用微粒群算法,给出了通过优化背景值插值系数和边值提高灰色GM(1,1)精度的新方法。给出了计算实例。计算表明,应用此方法可以提高灰色GM(1,1)模型的精度。     

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。     

非等间距GM(1,1)模型背景值的优化

基于背景值是影响灰色建模精度的重要因素之一,本文对非等间距GM(1,1)模型中的背景值构造进行了研究,根据灰色模型的指数特性和积分特点,利用非齐次指数函数来拟合一次累加生成序列,提出了一种重构非等间距GM(1,1)模型背景值的方法。实例表明利用优化的背景值计算公式建立的非等间距GM(1,1)模型显著地改善了模拟和预测精度。该背景值不仅适合于非等间距建模,也适合于等间距建模,具有精度高、适用性强的特点。     

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。     

基于新改进GM(1,1)模型的中国企业债券融资发展预测

我国企业债券市场明显滞后于整个资本市场的发展,加快发展企业债券市场的呼声日高。但是去除企业债券发展的束缚是一个渐进的过程。在此背景下,本文对我国企业债券融资发展进行定量预测。考虑到影响我国企业债券发展的因素较多且不确定,笔者采用灰色系统GM(1,1)模型进行预测。GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,这里,笔者提出一种同时优化背景值和初始条件的新GM(1,1)模型。笔者发现新优化GM(1,1)模型比单独优化背景值或单独优化初始条件有更高的模拟精度。在此基础上,利用新改进GM(1,1)模型对我国2010年之前的企业债券余额进行了预测。     

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。     

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。     

基于初始条件优化的GM(1,1)幂模型及其应用

针对GM（1,1）幂模型幂指数和初始条件优化问题,提出了一种基于初始条件和幂指数协同优化的方法。根据新信息优先原理,通过引入权重信息控制函数优化初始条件,表现新旧信息在初始条件构建中作用大小的变化规律,最大限度提取小样本序列中的有效信息,反应新旧信息共同对系统趋势变化的影响;以平均相对误差最小化为目标,参数间约束关系作为条件,构建非线性优化模型,实现GM（1,1）幂模型的幂指数和初始条件协同优化。最后,通过我国网络购物用户规模预测实例研究表明,优化的模型实现模型平均相对误差在理论上的最小化,其建模效果要优于其他对比模型,并将其用于2016-2020年网购用户规模预测,表明本文模型的实用性和有效性。     

基于GM(1,1)模型的Kano质量要素分类动态预测方法

针对目前缺乏对Kano模型质量要素的分类结果进行动态预测研究的问题,结合灰色系统理论在处理不规则数据方面的优势,提出基于GM(1,1)模型的Kano质量要素分类动态预测方法。针对传统Kano模型分类结果过于主观的缺点,设计模糊Kano模型实现质量要素的客观化分类;结合GM(1,1)模型能处理少数据、贫信息,具有高预测精度的优点,利用GM(1,1)模型研究Kano质量要素分类动态预测问题;最后通过在快递业的实证验证模型的可行性和有效性。     

基于灰色系统建模技术的人体疾病早期预测预警研究

传统健康体检主要通过对单次体检指标进行横向比较和静态分析,忽略个体差异,纯粹从指标高低来判断体检者健康状况与身体状态,难以及时发现体检者可能存在的疾病隐患。由于个体体检指标具有样本量小、信息不确定、数据类型异构、影响因素构成复杂等特征,传统以大样本为基础的数学模型均难以适应此类小数据系统的建模要求。为此,通过建立适用于人体主要指标趋势预测的灰色系统模型（简称HIGM（1,1）模型）,实现对人体主要健康指标的动态建模与趋势分析,从而可以掌握体检者未来一段时间身体指标的变化趋势及可能存在的疾病隐患。研究成果对提升体检效果、强化体检意义,促进灰色理论与现实问题的有效对接等方面,均具有积极意义。     

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。     

Applications of extension grey prediction model for power system forecasting

Although the grey forecasting model has been successfully adopted in various fields and demonstrated promising results, the literatures show its performance could be further improved. For this purpose, this paper proves that the growth rate of the simulated value of the grey model GM(1,1) is a fixed value. If the growth rates of the primary sequence are equate, the fitted value deriving from GM(1,1) is the same as the primary sequence, otherwise greater error would occur. In order to overcome shortcoming of the fixed growth rates, extend the traditional GM(1,1) model by introducing linear time-varying terms, which can predict more accurately on non geometric sequences, termed EGM(1,1). Finally, compared with the other improved grey model and ARIMA model, experimental results indicate that the proposed model obviously can improve the prediction accuracy.     

GM(1,1)模型时间响应函数的最优化

GM(1,1)是灰色系统理论的核心内容之一。本文利用"最小二乘法"确定GM(1,1)白化权函数的时间响应函数中的常数C,从而构建了GM(1,1)的时间响应函数的最优模型。经大量的数据模拟和与GM(1,1)对比,发现优化的GM(1,1)模型的模拟精度和预测精度均较高。