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.     

新信息离散GM(1,1)模型及其特性研究

研究了新信息离散GM(1,1)模型(NDGM)的参数特性及其对等比序列的拟合性质.提出了分段修正新信息离散GM(1,1)模型(SNDGM)并对其建模机理进行研究.证明了序列初始值不影响发展系数值,以此为依据对SNDGM模型进行拓展,解决了原始数据序列为分段等比数据情况下的拟合精度问题.结果表明NDGM模型能够完全拟合等比序列,SNDGM模型能够完全拟合分段等比序列.     

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.     

递减序列的灰色建模方法

灰色模型的建模思想是通过灰色生成或序列算子的作用弱化系统的随机性,利用离散的生成序列建立连续或离散的动态微分方程,其中GM(1,1)模型是其核心模型。针对递减序列的建模问题,本文给出了两种模型模拟方法,一种是基于简单均值生成的GOM(1,1)模型,一种是基于反向始点零化的GM(1,1)模型,后一种模型还利用平移量考虑了模型模拟精度,并证明了模型的模拟序列没有放大还原误差。两种模型建模方法的共同点是实现了递减序列的同向模拟,消除了GM(1,1)模型拟合递减序列时,由于其累加生成是递增序列而出现异向拟合的不合理建模误差,最后算例也说明了该建模方法的可操作性和有效性。     

近似非齐次指数数据的灰色建模方法与模型

传统GM(1,1)建模是用齐次的指数序列来拟合原始数据,对近似非齐次指数序列进行建模时会有较大的偏差,而现实中存在大量的近似非齐次指数的数据序列.根据传统灰色GM(1,1)建模机制,提出了一个用非齐次指数序列来拟合原始数据的灰色模型,给出了模型参数的最小二乘解,并给出了模型时间响应函数的表达式. 最后,通过实验验证了新模型的拟合和预测精度实验结果显示,新模型比传统GM(1,1)模型具有更好的拟合和预测精度.     

数乘变换下灰色幂模型的参数及误差变化规律

通过研究数乘变换对GM(1,1)幂模型的幂指数和参数特征以及其误差的影响程度,揭示了GM(1,1)幂模型的幂指数和其误差在原始特征序列经过数乘变换前后的变化规律。结果表明:GM(1,1)幂模型的幂指数及建模精度与原始特征序列进行数乘变换无关,同时利用数乘变换可以降低建模数据的量级,简化其建模过程的复杂性。     

基于级差格式的GM(2,1)模型参数估计优化研究

参数估计的优化是提高灰色模型精度的一个重要途径,级差格式的提出避免了背景值的复杂构造.现有的GM(2,1)模型计算较为复杂,且参数估计基于目标函数是原始序列一次差分序列的拟合误差平方和最小化来确定,同时,参数估计中微分到差分的转换以及背景值构造存在较大误差.针对这些问题,本文基于GM(2,1)模型微分方程的时间响应函数推导了级差格式,给出了最小二乘法的参数估计方法,然后基于原始序列误差平方和最小的目标函数,优化了模型的两个初始条件,同时,推导出GM(1,1)回归模型和GM(1,1,exp)模型是该模型的特殊情况,最后通过实例比较本文优化方法与现有方法估计的GM(2,1)模型拟合精度与预测精度.实例结果显示,本文的优化方法估计的GM(2,1)模型具有较好的效果.     

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。     

非等间距GM(1 ,1) 模型建模研究

基于灰色模型的指数特性和积分定义,提出了一种重构非等间距序列的GM(1,1)模型背景值的方法,用该方法重构的背景值更加精确,可以提高GM(1,1)模型的拟合精度和预测精度,进一步拓广GM(1,1)模型的应用范围.     

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.     

一种基于数据融合的新型GM(1,1)建模研究

基于灰色理论和自适应数据融合技术的研究,提出一种基于自适应数据融合的新型灰预测GM(1,1)模型,并对整个建模过程进行了理论推导。该方法利用自适应数据融合以及累加再生成操作来提高非平稳时间序列的光滑度,从而减少样本序列的随机性,提高重构背景值的精确性以及灰预测GM(1,1)模型的拟合精度和预测精度。最后通过该方法对液浮陀螺仪零漂进行建模仿真,结果表明该方法辨识精度高,优于一般平均值法和灰预测方法,具有良好的应用价值。     

基于Fourier-GM(1,1)模型的灾害应急物资需求量预测北大核心CSCDCSSCI

针对灾害应急物资需求量时间序列的小样本和振荡性特征,提出了基于Fourier-GM(1,1)模型的应急物资需求量预测方法。该方法首先对给定的小样本振荡序列建立具有自适应背景值的GM(1,1)模型,然后应用Fourier级数描述模型残差中所包含的周期性振荡信息,进而构建Fourier-GM(1,1)模型。在此基础上,利用遗传算法在平均预测误差最小化准则下求解模型的最优参数。最后分别应用传统GM(1,1)模型和FourierGM(1,1)模型预测森林火灾扑火经费,结果表明:本文提出的新方法能够较好地描述时间序列中的周期性振荡特征,其预测精度显著地高于传统GM(1,1)模型。     

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     

灰色模型GM（1，1）的一种新优化方法

根据灰色系统理论的新息优先原理,提出了将X(1)的第n个分量作为灰色微分模型的初始条件与优化背景值相结合的方法,对GM(1,1)模型进行了改进,改进后的模型既适用于低增长指数序列建模,也适用于高增长指数序列建模,尤其是对高增长指数序列,改进的GM(1,1)模型的模拟精度与预测精度都有提高,即使在发展系数|a|大于2时,新模型的拟合精度仍然很高.     

灰模型对单调递减序列的适应性与参数估计

对单调递减序列建立GM(1,1)模型,利用数学归纳法证明了GM(1,1)模型的时间响应式和预测式分别与实际的一次累加序列和原始序列的增减趋势吻合,说明了GM(1,1)模型适应于直接对单调递减序列建模,澄清了人们认为GM(1,1)模型只适应单调递增序列的曲解,拓宽了GM(1,1)模型的适用范围,并提出了避免繁琐矩阵计算的参数近似估计方法.最后通过实例证实了此方法的有效性和可行性.     

两阶段灰色模型及其应用

针对GM(1,1)模型对波动序列进行模拟、预测时通常存在较大误差的问题,提出用时间系数对等间距时序进行修正,给出了计算时间系数的方法;根据时间系数的特点利用反向累加生成的GOM(1,1)模型,建立GM(1,1)模型与GOM(1,1)模型相结合的两阶段灰色模型,进一步拓展了灰色模型的适用范围.结果表明,提出的两阶段灰色模型能够适应于有较大波动的原始数据序列的分析和建模,且具有一定的实用性与可靠性.     

一种内涵式参数辨识的GM(1,1)新模型

针对普通GM(1,1)模型应用于非平缓变化序列预测时误差较大甚至失效的缺陷,提出了一种内涵式参数辨识的GM(1,1)新模型。推导了模型边值、背景值权重系数、发展系数以及灰作用量与预测值之间的非线性内涵表达式,并采用粒子群算法(particle swarm optimization, PSO)对内涵式参数进行辨识,建立了PSOGM(1,1)预测新模型。典型算例表明,PSOGM(1,1)模型收敛速度快,较普通GM(1,1)模型具有更高的预测精度,可应用于平缓变化及非平缓变化序列预测。     

分数阶反向累加Verhulst模型

本文提出采用反向累加的方式对原始数据进行处理,并在整数阶的基础上将其推广到分数阶领域,以分数阶反向累加生成算子和分数阶反向累减生成算子为基础,建立分数阶反向累加Verhulst模型,并应用实例与分数阶反向累加GM(1,1)模型作对比,检验模型模拟误差.相关结果显示,相较于传统Verhulst模型与分数阶反向累加GM(1,1)模型,分数阶反向累加Verhulst模型的数据拟合精度较高.     

基于函数cot(x~α)变换的灰色GM(1,1)建模方法

提出了对建立GM(1,1)模型的标准化数据进行幂函数-三角函数cot(xα)(α>0)变换方法, 理论上证明了对原始数据序列进行这种函数变换可以有效地提高建模数据序列的光滑度, 且比"对数函数"法和"幂函数"法更加有效, 拓广了灰色模型的应用范围, 实例验证了所建GM(1,1)模型的精度优于"三角函数cot(x)"法所建模型, 说明了该方法的有效性.     

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.