灰色预测公式的理论缺陷及改进

分析 GM(1 ,1 )预测模型存在的理论缺陷 ,指出在形成预测公式时规定 ^ X( 1 ) (1 )为已知条件是不合理的 ,应当根据实际情况选用其他数据 .本文对原公式进行修正和拓广 ,提出了新的预测公式 ,为提高预测精度提供了新的途径 .     

基于残差递推的自适应GM(1,1)模型

传统GM(1,1)模型存在不能预测波形序列的问题。在GM(1,1)模型和残差GM(1,1)模式的基础上引入了新陈代谢数组,经重新推导后得到递推GM(1,1)模型和残差递推GM(1,1)模型,将前者模型的解与后者取对数后的模型的解反相相加后,得到自适应GM(1,1)模型的解。以实例数据对上述4种方法进行仿真和比较,结果表明,自适应GM(1,1)模型较其他方法有更好的预测效果,从根本上解决了GM(1,1)模型对波形序列的预测问题。     

灰色系统理论在T-501市场需求预测中的应用

对 T-50 1市场需求的预测 ,以前一直是在市场分析的基础上 ,采用经理评判法、专家预测法、市场调查法等定性方法进行预测 .本文尝试采用灰色系统的理论 ,建立 GM( 1 ,1 )预测模型 ,并用残差检验、关联度检验、后验差检验等方法验证了模型的正确性 ,对 T-50 1今后几年市场需求量作出了合理预测.     

优化的GM(1,1)模型及其在农村劳动力转移预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点。在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数C,摈弃了传统GM(1,1)把原始序列中X(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型。最后,以河南省农村劳动力转移预测为例,进行两类预测模型的模拟精度比较,并进行了预测。表1,参7。     

基于Simpson公式的GM(1,N)建模的新算法

根据时间序列的结构与特征, 对GM(1,N)灰微分方程进行了建模机理分析, 并用数值积分算法提出了 基于Simpson公式的建立GM(1,N)预测模型的新算法. 用平均相对误差对一些时间序列进行了模型的 实证分析, 发现新算法的拟合精度比原有算法有明显的改进, 从而验证了该算法对一些时间序列的有效性. 所提出的新算法是建立GM(1,N)预测模型时值得尝试的一个方法, 对GM(1,N)预测模型的合理应用具有一定的现实意义.     

GM(1,1)模型及其残差修正技术在土地承载力研究中的应用

本文应用灰色系统中的GM(1, 1)模型及其残差修正技术, 对龙游县85-91年的人口、粮食、耕地进行分析、研究本县2000年土地资源生产潜力及在不同生活水准上对人口承载力适宜强度, 取得比较满意的效果。这种方法科学, 计算方便, 要求数据不多, 预测精度高。     

离散GM(1,1)模型的特性与优化

GM(1,1)模型在对纯指数序列进行拟合时通常仍然存在偏差,对原始序列和发展系数有太多限制.离散GM(1,1)模型与原模型的很多性质很相似,可以看成是原模型的精确形式,而且对发展系数和原始序列没有非负限制,因此对于离散GM(1,1)模型的特性研究就极为重要.文章对离散模型模拟数据增长率特点、对指数序列的拟合以及数乘变换下的参数特性进行了理论证明.研究表明离散GM(1,1)模型可以完全拟合指数序列.数乘变换不改变原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.文章提出了分段修正离散GM(1,1)模型并对建模机理进行了证明.应用实例表明了该模型能够显著提高模拟精度.     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

多变量非等间距GM(1,m)模型及其应用

对于多变量非等间距数据序列,建立了一类GM(1,m)预测模型。基于灰色模型的指数特性和积分定义,提出了构造多变量非等间距序列的GM(1,m)模型背景值的方法。该方法可以提高GM(1,m)模型的拟合精度和预测精度,拓广了灰色模型的应用范围。应用该方法,建立了中国农村青少年生长水平的灰色预测模型,结果理想可靠,有较好的实际意义。     

基于背景值和边值修正的GM(1,1)模型优化

针对灰色GM(1,1)预测模型提高精度的问题, 提出了新的背景值优化公式代替传统的背景值优化公式, 再进行边值修正的方法. 该方法采用新的背景值优化公式求出紧邻均值生成序列, 并使用均方误差和最小准则, 针对原始序列和生成序列进行边值的修正. 通过对优化后的模型实证测算, 验证了修正后的模型在提高预测精度上的可行性和有效性.     

GM(1,1)模型的背景值构造方法和应用(Ⅰ)

灰色 GM( 1 ,1 )模型对高增长指数序列拟合常常产生滞后误差 ,作者认为 GM( 1 ,1 )模型中背景值构造方法是影响其精度和适应性的关键因素 .从此角度出发 ,对背景值构造方法进行研究 ,重构了一个表达形式简洁、计算简单、适应性极强的背景值计算公式 .新的背景值计算公式的一个显著特点是它使 GM( 1 ,1 )模型具有对建模结果进行优化的能力 ,能获得最佳的拟合和预测精度 .它使 GM( 1 ,1 )模型同时适应于低增长指数序列和高增长指数序列建模 ,它是提高 GM( 1 ,1 )模型精度和适应性的关键技术 .算例结果的精度充分说明了它的有效性 .     

GM(1,1)模型参数估计的新方法及假设检验

ＧＭ（１，１）模型参数估计的新方法及假设检验唐五湘（北京机械工业学院工商管理分院，１０００８５）ＡＮｅＷＭｅｔｈｏｄｏｆＥｓｔｉｍａｔｉｏｎｏｆｔｈｅＧＭ（１，１）ＭｏｄｅｌＰａｒａｍｅｔｅｒｓａｎｄＨｙｐｏｔｈｅｓｉｓＴｅｓｔｉｎｇＴａｎｇＷｕｘｉ...     

单增序列灰色GM(1,1)模型解之间的误差分析

针对单调增长原始数据序列, 文章在理论上讨论白化型与内涵型GM(1,1)(grey forecasting model)模型解之间的相对误差. 在推导出两个模型解之间的相对误差上界表达式的基础上, 作者研究了相对误差上界函数的性质, 讨论了相对误差一致上界关于原始数据序列长度n的单调性. 结果表明当发展系数位于[-1/(n+1),0]内时, 白化型与内涵型GM(1,1)模型解之间的相对误差上界是0.9%,可以合理使用白化模型代替内涵模型; 而发展系数在区间[-2/(n+1),0]内时, 这两个模型解之间的相对误差可能达到8.64%, 此时白化模型代替内涵模型须较谨慎地使用.     

基于GM(1,1)模型和线性回归的组合预测新方法

为解决 GM(1 ,1 )预测中存在的历史数据的跳变问题 ,依据灰色灾变预测原理 ,利用线性回归适用短期预测的特点 ,提出了一种新的预测方法 :用 GM(1 ,1 )模型预测将来可能的数据跳变日期点 ,对其他非跳变点使用分段线性回归函数进行预测 .通过对浙江省农村用电量的预测 ,结果表明该方法很好地克服了 GM(1 ,1 )模型和线性回归模型的缺陷 ,在实际中取得了较好的效果 .     

基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模

CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。     

灰色GMP(1,1,N)模型及其在冰凌灾害风险预测中的应用

在加权最小二乘框架下构建了含时间多项式项的灰色GMP(1,1,N)模型,该模型既适用于小样本单调序列又适用于波动序列,论证了均方误差最小准则、均方相对误差最小准则与平均绝对百分误差最小准则下的GM(1,1)、NGM(1,1,k)和GM(1,1,t~α)模型均是GMP(1,1,N)模型的特殊形式,将GMP(1,1,N)模型应用于黄河宁蒙河段冰凌灾害风险预测,结果表明2015-2016年的风险预测结果符合实际情况,模型能够识别风险波动变化规律.为不同准则下灰色预测新模型的构建提供了新思路,具有重要的理论意义和工程应用前景.     

灰色预测模型的问题讨论

根据各种应用实例的分析，指出对于同一原始序列来说，当计算零点升高、新序列的第二项减小或累加次数增多时，ＧＭ（１，１）模型的预测值增大，同时指出这些问题是由ＧＭ（１，１）模型本身的特点所决定的。     

GM(1,1)模型的背景值构造方法和应用(Ⅲ)

将作者在重构的背景值公式引入 GM ( 1,1)模型 ,导出了 GM ( 1,1)模型的逻辑斯蒂( Logistic)形式 ,并以此为基础 ,对 GM( 1,1)模型进行了稳定态 ,周期态及混沌态特性研究 .研究结果表明 :重构的背景值公式扩大了 GM( 1,1)模型的适应性 ,能提高其拟合和预测精度 ,使 GM( 1,1)模型在实践中能发挥更大的效果.     

灰色增量──微分动态模型与中间变量辨识方法及其应用

本文对灰色GM(1, 1)、GM(2, 1)建模方法作了扩展和改进, 重新构造累加生成模式。利用多级增量序列首先进行回归建模, 引入中间变量并对其辨识和模拟, 使原始时间序列中隐含的有序性、规律性及灰色信息不断白化。灰色增量--微分动态模型具有系统开放性, 模型结构的包容量和信息量十分丰富, 为自然、社会经济等复杂系统建模、控制、预测提供了有效方法, 并消除了灰色GM(1, 1)、GM(2, 1)模型的局限性及不足之处；对全国总人口序列采用柯布--道格拉斯函数模型进行增量序列拟合建模, 在中间变量层次中揭示出周期性变化规律, 拟合效果极显着, 平均误差率1.21%, 最大误差率2.73%, 拟合精度极高。     

GM(1,1)模型初始条件和初始点的优化

在对GM(1,1)模型的初始条件进行优化时,由于优化的目标函数为误差平方和最小,而模型的检验标准为平均相对误差最小,两个准则的不一致性导致优化效果不理想.本文以相对误差平方和最小为目标优化GM(1,1)模型,分别对初始条件和初始点进行优化,给出优化的计算公式,并证明在原始序列相对误差平方和最小的准则下,初始条件优化和初始点优化是统一的.实例表明运用优化公式与数值最优解计算得到的模型平均相对误差非常接近,且运用优化公式比数值解求解更方便.