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.     

基于网络搜索和CLSI-EMD-BP的旅游客流量预测研究

准确的旅游预测对于旅游政策制定当局和游客都具有重要意义,可以帮助资源的合理配置并避免拥堵事件和游客滞留事件的发生.为了提高旅游预测的准确性,本文考虑噪声在预测中的干扰,提出一种基于网络搜索的CLSI-EMD-BP预测模型.该模型首先利用CLSI方法对网络搜索数据进行指数合成,并利用EMD对序列进行噪声处理,将高频噪声从原序列中分离,再利用去噪处理后的网络搜索数据对旅游客流量进行预测.实证分析以九寨沟为例对预测期内未来22周旅游客流量进行预测发现,基于网络搜索的CLSI-EMD-BP预测误差显著低于时间序列、网络搜索和BP神经网络三个基准模型.该结论一方面说明了本文预测模型的改进作用,另一方面也表明了噪声处理在预测中的必要性.     

基于振荡序列的GM(1,1)模型

针对GM(1,1)模型对非负光滑单调序列的预测精度较高,而对振荡序列的预测效果不理想的情况.提出了先通过加速平移变换将振荡序列变为单调增加序列,然后再对加速平移变换后的序列进行加权均值生成变换,再以加权均值生成变换得到的序列建立GM(1,1)模型进行预测.通过具体算例的计算表明,这种方法能够提高GM(1,1)模型的预测精度,可应用于对振荡序列建立GM(1,1)模型,从而扩大了GM(1,1)模型的应用范围.     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

基于误差修正与分解的区间值股价时间序列预测研究

与点值数据相比,区间数据更能够从全局上刻画股票市场的内在结构特征.然而,已有关于区间数据的预测研究只关注误差序列的单次预测或原始序列的预处理,并且所采用的方法通常不能充分地提取区间值股价时间序列的主要特征.因此,本文提出了对区间值股价时间序列进行预测的误差修正与分解方法.鉴于误差序列在组合预测模型中的作用,本文首先采用Ljung-Box检验和机器学习模型对原始序列产生的区间值误差序列进行检验和修正.接着,利用双变量经验模态分解技术将修正后的误差序列分解成多个本征模态函数(IMFs)和一个残差.随后,利用单个机器学习模型对除了IMF1分量外的各个IMFs分量和残差分别进行预测.最后,将原始序列和误差序列的预测值进行组件聚合,重构出区间值股票价格的预测值.进一步,在提出方法的基础上,本文构建了基于误差修正和分解的区间值股价预测模型,并利用真实的股票市场数据进行实证分析.实验结果表明,所提出的方法在预测精度方面明显优于一些传统方法.     

GM(1,1)模型的改进方法及其应用

考虑外界环境对灰色系统预测模型精确度的影响 ,对GM(1,1)模型进行了改进———用序列算子和影响因子来对原始序列的数据进行一定的处理 ,提高了GM(1,1)模型的精度。通过对我国普通高等学校招生人数及宁夏的农业总产值进行预测 ,说明此种方法的合理性     

非等间距GM(1,1)模型性质及优化研究

根据矩阵理论推导非等间距GM(1,1)模型参数的矩阵形式,研究了压缩变换和初始点变化下非等间距GM(1,1)模型参数性质及其对模型精度的影响;在相对误差平方和最小的准则下,分别对初始条件和初始点进行优化,给出参数优化公式,发现两种优化方法是等价的;基于新信息优先原理,通过引入加权系数λ,综合考虑新旧信息变化规律,以加权求和的1-AGO序列作为初始条件,提出了全信息初始条件优化的非等间距GM(1,1)模型.最后,通过实例分析表明,本文提出的优化模型在拟合精度和预测精度上均有明显改善,表明优化的初始条件能充分提取新旧数据的有效信息,进一步提升建模效果.     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

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.     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

空中雷达目标的灰色预测

对空中飞机、导弹目标的航迹点的预测在作战中非常重要 ,但在数据非常有限的情况下 ,准确地预测又很困难。提出了用灰色系统理论进行飞机、导弹目标的航迹点预测的方法 ,并利用实际测得的飞机航迹点数据进行了验证 ,具有很高的精度。这种灰色预测模型对飞机、导弹目标的航迹点的预测具有重要意义。详细介绍了灰色预测方法并分析了预测误差及其实用价值。     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

基于NCAGA-投影寻踪混合优化城市客运量预测

为了提高参数投影寻踪回归(parameter projection pursuit regression,PPPR)模型对城市客运量的预测精度, 基于cat映射、高斯分布和精英局部搜索对加速遗传算法进行改进. 提出了新的混沌加速遗传算法(new chaosaccelerating genetic algorithm, NCAGA),用于对PPPR模型的最佳投影方向α的优选.建立了在外层优化岭函数个数M的同时,内层利用NCAGA优化最佳投影方向a的NCAGA-PPPR混合优化城市客运量预测模型,结合某市统 计资料进行了仿真预测.结果表明该方法的预测精度优于BP神经网络模型、传统PPR模型和基于加速遗传优选的PPPR模型, 平均绝对相对误差小于3.1%,提高了城市客运量的预测精度,可有效应用于城市客运量的预测.     

基于新陈代谢灰色马尔科夫的应急物资需求量预测方法

为提高受灾人数与应急物资需求量预测精度问题,提出了基于新陈代谢灰色马尔科夫的应急物资需求量预测方法。依据应急物资需求量预测思路,利用灰色、马尔科夫和新陈代谢理论,层级递进地构建新陈代谢灰色马尔科夫预测模型,实现受灾人数的动态预测;利用安全库存理论,构建应急物资柔性需求预测模型,实现受灾人数与物资需求量的供需平衡问题;运用本文模型、灰色马尔科夫模型和灰色模型对受灾人数与物资需求量进行预测,结果表明：该预测模型的相对误差要比其他模型小0.002 1%,预测精度明显优于基本的灰色模型,预测的受灾人口数量与应急物资需求量拟合度较高。     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题，集成灰色理论和神经网络方法，提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1，1）模型的初始值与背景值，利用Levenberg-Marquardt算法改进反向传播神经网络模型；采用组合预测思想，将多方法融合改进灰色模型和神经网络模型，分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例，验证上述方法在故障预测中的有效性。结果表明，灰色神经网络组合模型的预测精度优于单一预测模型，可用于装备的故障预测和预测性维修。     

CRUDE OIL PRICE FORECASTING WITH TEI@I METHODOLOGY

The difficulty in crude oil price forecasting, due to inherent complexity, has attracted much attention of academic researchers and business practitioners. Various methods have been tried to solve the problem of forecasting crude oil prices. However, all of the existing models of prediction can not meet practical needs. Very recently, Wang and Yu proposed a new methodology for handling complex systems-TEI@I methodology by means of a systematic integration of text mining, econometrics and intelligent techniques.Within the framework of TEI@I methodology, econometrical models are used to model the linear components of crude oil price time series (i.e., main trends) while nonlinear components of crude oil price time series (i.e., error terms) are modelled by using artificial neural network (ANN) models. In addition, the impact of irregular and infrequent future events on crude oil price is explored using web-based text mining (WTM) and rule-based expert systems (RES) techniques. Thus, a fully novel nonlinear integrated forecasting approach with error correction and judgmental adjustment is formulated to improve prediction performance within the framework of the TEI@I methodology. The proposed methodology and the novel forecasting approach are illustrated via an example.