一个基于背景值和初始条件优化的GM(1,1)模型

背景值和初始条件对GM(1,1)模型的拟合和预测有着极大的影响,通过优化模型的背景值,赋予边值条件为修正形式x (1) (n)+β,利用原始序列新预测值的误差在最小二乘意义下最小准则,从而得到了一个新改进的GM(1,1)优化模型.最后,通过计算实例验证了该优化模型具有极高的预测和模拟精度.     

灰色GM（1，1）模型的一种优化组合方法

针对GM(1,1)预测模型的不足之处,首先基于X(0)序列的相对误差平方和最小的思路,提出了一种新的优化时间响应函数即确定指数函数exp(-at)系数C的方法;第1步采用优化背景值方法确定a,b后,第2步用本文方法确定系数C,得到了一个优化组合的新GM(1,1)预测模型.经大量的数据模拟发现,此优化组合新模型无论对高增长系数,还是对低增长系数都具有极高的模拟与预测精度.     

基于核与灰半径序列的GM(1,N)预测模型及其在雾霾中的应用

既有的关于GM(1,N)模型的研究,都是建立在实数序列基础上,文章将对GM(1,N)模型进行拓广,深入探讨该模型在区间灰数序列情形下的建模机理和建模方法,提出了基于核与灰半径的GM(1,N)模型。将以区间灰数序列的核序列和灰半径序列为基础建立GM(1,N)预测模型,进而对区间灰数序列的核与灰半径进行模拟预测,根据核与灰半径的计算公式推导出区间灰数的上界和下界,从而实现对区间灰数序列的模拟预测。最后,将文中提出的GM(1,N)模型应用于对霾存在时的空气质量指数AQI的预测研究中,模拟预测效果较好,从而验证了该模型的有效性和可行性。     

优化灰色GM(1,N)-加权Markov模型在道路交通噪声预测中的精度研究

通过对北京市2007年至2016年城市道路交通噪声及相关影响因素数据分析,以GM(1,N)模型为基础,建立了优化灰色-加权Markov模型,为有效控制交通噪声污染提供理论依据和决策意见。首先,利用平滑公式对原始数据进行预处理,用数值积分中的Simpson公式改变背景值来提高传统多因素GM(1,N)模型精度。其次,用加权Markov模型对得到的模拟值中的异常值进行了修正,将其应用到城市交通噪声的预测上,实证计算表明优化灰色GM(1,N)模型的模拟值与实际值拟合效果很好,比传统的GM(1,N)模型精度有较大提高。最后,用该模型对北京市2017年和2018年城市交通噪声进行预测,基本符合噪声数据实际变化趋势。     

基于季节性灰色Fourier模型的短时交通流预测

针对短时交通流数据的周期性、非线性和随机性的特点,提出一种基于复化Simpson公式的季节性灰色Fourier模型.在季节性GM(1, 1)模型的基础上,首先利用复化Simpson公式对背景值进行优化,然后用Fourier级数方法修正预测结果.将新模型应用于加拿大Whitemud Drive高速公路的交通流预测,数值计算结果表明:新模型的预测平均绝对值百分比误差为1.54%、拟合度为0.996 0,均优于传统的GM(1, 1)模型、季节性GM(1,1)模型和Fourier优化的季节性GM(1, 1)模型.     

基于优化的GM(1,1)模型在我国人口预测中的应用

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,摒弃了传统GM(1,1)把原始序列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,以我国人口总数的预测为例,进行两类预测模型的模拟精度比较,并进行了预测,得到优化的GM(1,1)模型进行预测得到的精度较高.     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

分数阶累加的离散GM(2,1)模型与应用

[目的]为解决传统二阶单变量灰色预测模型GM(2,1)对某些序列存在预测精度不高的问题.[方法]在GM(2,1)的基础上,引入分数阶累加算子并利用离散灰色模型的建模原理,提出了 一种基于分数阶累加的离散GM(2,1)模型(FDGM(2,1)).[结果]给出了 FDGM(2,1)模型可用于预测的时间响应式和还原式.为达到最优的预测性能,建立了以平均相对模拟误差最小为 目标的优化模型,并给出了确定模型最优阶数的方法.最后用一个数值模拟实验和一个应用实例对新模型进行检验.[结论]结果表明,新模型比其他常用模型具有更高的模拟预测精度,是有效且实用的.     

基于分数阶季节性灰色模型的交通流预测

基于城市道路短时交通流数据的季节性特征和灰色建模的新信息优先原则,提出了一类新的分数阶季节性GM(1,1)预测模型。在GM(1,1)模型的基础上,首先,利用分数阶截断累加生成算子弱化了数据的季节波动性和随机性特征;然后采用粒子群优化算法寻求最佳阶数;最后,将新模型应用于江苏省南通市区的一主干道路进行模拟仿真。数值计算结果表明:新模型的平均绝对值百分比拟合误差为8.126 0%、预测误差为7.621 6%,均优于季节性滚动GM(1,1)模型、分数阶GM(1,1)模型和季节性离散GM(1,1)模型。     

优化背景值的GM(1,1)

为了提高模型的拟合精度,提出了一种新的改进GM(1,1)模型.从优化GM(1,1)模型背景值的定义出发,推导出利用原始数据生成的背景值公式,将其与经过优化的初始条件结合,构造出改进的GM(1,1)模型.此模型将在很大程度上消除由于背景值的选取所产生的误差.对该模型进行数据模拟,通过与原模型中数据的比较、分析,验证出新的优化模型具有更好的模拟精度,说明该模型的有效性,可以将其应用于对其它数据的拟合预测.     

优化背景值和时间响应函数的一类直接模型法

根据灰色GM(1,1)直接模型原始数据具有非齐次灰指数规律特点,构建出相应的拟合函数,再利用辛普森公式优化模型背景值,同时利用最小二乘法确定时间响应函数中的常数c,得到一种改进的GM(1,1)直接模型.实例分析表明:该改进模型的模拟和预测精度较高,也拓宽了灰色预测模型的使用范围.     

基于马尔科夫优化的灰色GM (1,1) 沉降预测模型及应用

针对灰色GM(1,1)模型在对随机波动较大的沉降数据序列进行预测时存在的不足,本文结合灰色理论模型和马尔科夫链理论,建立了一种基于马尔科夫修正的新维GM(1,1)沉降预测模型。首先,考虑监测数据的时效性,通过在原始数据列中不断补充新的沉降监测数据,采用新陈代谢的方法建立了新维GM(1,1)模型;随后采用马尔科夫链理论对新维GM(1,1)模型进行优化,根据模型预测时产生的相对误差范围对其进行状态区间划分,并构建了相应的状态转移概率矩阵,得到了基于马尔科夫优化的新维GM(1,1)预测模型;将本文中的模型应用于福州火车站南广场深基坑周边建筑物地表沉降预测中,并对不同模型的预测效果进行对比分析,结果表明：基于马尔科夫优化的灰色GM(1,1)模型的预测精度较传统灰色GM(1,1)模型有明显提高,验证了本文所提出的优化模型在基坑沉降分析与预测中的合理性。     

基于改进新陈代谢GM(1,1)模型对钢管混凝土拱桥涂膜腐蚀预测

目的提出改进新陈代谢GM(1,1)模型,提高预测钢结构使用寿命的精度.方法在全序列的基础上,置入一个由传统GM(1,1)模型得到新数据,去除一个旧的数据,建立既保证了原来的维数,而又不影响整个信息发展趋势的改进新陈代谢GM(1,1)模型.利用改进新陈代谢GM(1,1)模型对已经用传统GM(1,1)模型预测钢管混凝土拱桥涂膜腐蚀的实际工况进行重新预测,验证所提出的改进新陈代谢GM(1,1)模型在涂膜腐蚀预测中应用的可行性、有效性及预测所提高的精度.结果改进新陈代谢GM(1,1)模型的均值方差比值C为0.132 9,比传统GM(1,1)模型的均值方差比值C的值0.172 1小,改进新陈代谢GM(1,1)模型的精度比传统GM(1,1)模型的预测效果好;改进新陈代谢GM(1,1)模型的平均相对误差为3.20%,传统GM(1,1)为4.01%,提高了预测精度.结论改进新陈代谢GM(1,1)模型既保证了传统GM(1,1)模型的维数,而又不影响整个信息的发展趋势,改进新陈代谢GM(1,1)模型更合理,适用于中长期预测.     

基于自相关的GM（1，1）与GM（1，N）联合模型优化及应用

分析基于自相关理论的GM（1,1）与GM（1,N）联合模型,将仅适合GM（1,1）模型的数据拓展到适合GM（1,N）模型。用数值积分中的Simpson公式来重建GM（1,1）与GM（1,N）的联合模型,在参数辨识过程中引入累积法,降低线性方程组系数矩阵的条件数,使联合模型求解更加稳定,提高了模拟及预测精度,并且克服了原GM（1,N）模型必须获得预报时刻点相关数据列的值的缺陷,有利于新息GM（1,N）模型的应用。数值实验结果表明,优化后模型数值稳定性好,其系数矩阵的条件数在数值上比通用的最小二乘法有所降低,且模拟平均相对误差也有所降低,预测精度得到提高。     

基于扰动因子GM(1,N)模型优化算法及其应用

基于Simpson公式的GM(1,N)建模的算法不能更改参数的缺点,提出了基于扰动因子改进Simpson GM(1,N)模型。通过扰动因子变化影响参数值,以达到特征因素的最优预测值。依据平均相对误差指标对一些时间序列数据进行了不同模型的实证分析和比较,得到本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GM(1,N)模型进行预测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。     

基于GM(1,N)改进模型的瓦斯水合物相平衡预测

研究瓦斯水合物相平衡的条件是实现瓦斯水合物储运技术的关键.利用水合物相平衡测定装置得到的动态相平衡数据,采用基于残差修复的灰色残差GM(1,N)模型的数据修复方法,建立残差GM(1,N)模型.以瓦斯水合物相平衡压力值为研究对象,以水合物相平衡温度值为参数列,采用灰色GM(1,N)理论,建立组分((φ))为CH455％、C2H610％、C3H810％、CO22％、N223％的瓦斯气样在不同温度条件下的压力值预测模型.结果表明:基于残差GM(1,N)模型的数据修复算法更加有效、可靠,并且具有良好的实用性,明显提高了灰色预测模型的预测精度,为瓦斯水合物相平衡研究提供了准确的数据支持,具有一定的应用价值和实际意义.     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新 GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统 GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。
     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。     

基于GM包络模型的可转换债券价格区间预测

研究利用GM包络模型预测可转换债券价格的运行区间.提出了一种适用于预测可转换债券价格运行区间的GM包络模型.利用这个模型实现了对W转债价格运行区间的预测,并得到了较好的预测结果.该工作为可转换债券价格运行区间的预测探索了一条新的途径.     

基于GM-RBF神经网络组合模型的水泥强度预测方法

为预测煤矸石代黏土煅烧水泥的28 d抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数(RBF)神经网络技术相结合,提出了基于GM-RBF神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF神经网络输入向量,相应的实测28 d抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM(1,N)模型或RBF神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。