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.     

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。     

pGM(1,1)模型权值p的精确求解及其性质分析

文章分析了灰色GM(1,1)模型的缺陷即白化响应式并不是灰微分方程的真正解,以pGM(1,1)模型白化响应式等于灰微分方程的真正解为条件,并由其背景值构造式推导出了权值p的精确表达式.由于p值不是有限小数,因此其取值精度对预测精度有影响,基于指数序列分析了p值的取值精度对预测结果的影响.     

利用非齐次指数函数构造GM(1,1)模型背景值的新方法

文章以灰色GM(1,1)模型背景值的优化为研究目的,讨论了传统背景值构造方法适用于低增长指数序列、对高增长指数序列拟合产生滞后误差的原因,提出了利用非齐次指数函数x(1)(t):A.eBt+C在区间[k-1,k]上与横坐标轴所围实际面积来构造背景值的新方法,并对其合理性进行了证明;在不同发展系数a条件下,比较了背景值构造方法对模拟和预测精度的影响,给出了新背景值条件下GM(1,1)模型的适用范围;大量的数据模拟和模型比较表明,新背景值构造方法提高了背景值的精确性及灰预测模型的拟合精度和预测精度.     

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.     

基于背景值构造方法的GM(1,1)模型优化

背景值构造方法是影响GM(1,1)模型精度和适应性的重要因素之一.在已有背景值构造方法的基础上,文章重构了一种精确的、优化的背景值构造公式.使用这种新型背景值构造方法的GM(1,1)模型不仅拟舍、预测精度高,并且对于高、低指数增长序列建模同时适用.示例数据的拟合和预测结果充分显示出新型背景值构造方法的有效性和优越性.     

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。     

基于欧拉法的非等间距GM(1,1)预测模型参数估计

文章提出了一种新的非等间距GM(1,1)模型参数估计方法,该方法不再构造非等间距序列背景值,而是基于欧拉公式直接求解模型参数来建立预测模型,为非等间距GM(1,1)模型参数求解提供了一条新的思路和解决方法。实例应用表明,利用该方法建立的非等间距GM(1,1)模型显著改善了模拟和预测精度,具有精度高、适用性强等特点。     

同时优化权值和初始值的PGM(1,1)模型

文章分析了GM(1,1)模型的缺陷;指出了PGM(1,1)模型中存在权值P使模型可以避免该缺陷的发生,并且在该权值P下PGM(1,1)模型满足白指数律;提出了以模式搜索法求解最佳权值p.文章在采用模式搜索法优化权值p以后,对初始值也进行了优化,实例结果证明了优化后的PGM(1,1)模型提高了预测精度.     

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.     

基于滑动平均和粒子群优化的GM(1,1)日前电价预测方法

在对美国PIM电力市场日前电价的变动规律综合分析的基础上,提出了一种基于粒子群优化(PSO)和灰色GM(1,1)模型的日前电价预测方法.该方法首先采用滑动平均法对原始电价序列进行处理,然后对处理后的电价序列建立等维新息GM(1,1)模型,并利用PSO最小化加权平均绝对百分比误差(MAPE),进一步优化GM(1,1)模型的灰色背景值.对PJM电力市场2007年7月到9月的历史数据的算例研究表明,相对于传统GM(1,1)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

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。     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

一种新的非等间隔灰色预测模型

文章分析得出传统非等间隔GM(1,1)模型模拟序列并非GM(1,1)模型的指数序列,因此导致其应用范围不及GM(1,1)模型。建立模拟序列为指数序列的非等间隔GM(1,1)模型,线性组合背景值的建立使得模型满足无偏性。以实例数据验证了新的非等间隔灰色预测模型对非等间隔近似指数序列拟合具有更高的精度,拓广了灰色理论的应用范围。     

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.     

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.     

改进的GM(1,1)灰色预测模型及其应用

针对传统GM(1,1)模型预测精度不高,并且其背景值优化与求解方法优化各具有片面性的缺点,文章给出了组合优化和分段优化两种改进方法,并结合国内居民消费水平的相关统计数据,利用传统GM(1,1)模型及其优化后的模型与两种方法的误差进行对比,表明改进后的灰色模型精度更高,且预测值与实际值较吻合,说明改进后的灰色预测模型的可行性与可靠性更好.     

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。     

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。     

基于变步长梯形算法GM(1,1)模型背景值的优化

文章从GM(1,1)建模机理及背景值形成过程出发,分析出对于具有明显指数规律的一次累加生成序列,GM(1,1)有时会出现预测误差较大的情况,并得出背景值的构造方法是造成这种误差的重要原因之一.利用拉格朗日插值函数和变步长梯形算法对背景值进行优化,通过对变步长梯形算法中步长大小的变化,形成了一种新的背景值构造方法,可使由背景值构成的误差降低.