火灾事故的灰色-马尔可夫模型预测研究

鉴于火灾事故的发生受多种复杂因素的影响,并且具有较大的随机性和波动性的特点,笔者等将灰色模型和马尔可夫模型相结合,建立火灾事故的灰色–马尔可夫模型,利用灰色模型的灰色性和马尔可夫模型的随机性来体现各自的优点,并运用该模型对全国农村火灾事故进行预测。实际应用表明,灰色–马尔可夫模型的预测精度明显高于灰色模型的预测精度,完全能满足预测精度的要求,可以较好地用于火灾事故的预测。     

基于灰色-马尔可夫模型的国内游客总数预测

结合灰色模型在小样本下预测精度较高的优点和马尔可夫模型对随机波动数据处理结果较好的优点,以2004—2015年国内游客总数构建传统灰色GM(1,1)模型、无偏灰色GM(1,1)模型、灰色马尔可夫模型和无偏灰色马尔可夫模型,并对比2016—2018年国内游客总数的预测值与实际值.结果表明,灰色马尔可夫模型和无偏灰色马尔可夫模型相比于传统灰色GM(1,1)模型和无偏灰色GM(1,1)模型的平均相对误差分别提高了2.36个百分点和2.33个百分点,灰色模型结合马尔可夫模型后能够解决对随机波动数据的预测偏差,有效提高预测精度.     

灰色马尔可夫链组合在预测股票价格上的应用

灰色模型适合对数据量少、波动不大的短期数据进行预测,而马尔可夫模型适用于预测波动较大的过程。通过结合灰色模型和马尔可夫模型的特点,本文提出了一种灰色马尔可夫链组合预测模型,对股票价格进行预测,与其他文献不同的是,本文在数据处理上进行了改进。实验结果表明,与一般灰色马尔可夫模型相比,改进后的模型预测精度得到了提高。     

灰色马尔可夫模型的改进及农业受灾面积预测应用

针对传统的GM(1,1)模型对波动性较大的数据预测精度较低的问题,进行了2次改进并分别与马尔可夫链预测相结合建立了灰色马尔可夫模型.将各模型应用于江西农业受灾面积预测,结果表明,改进的灰色模型和灰色马尔可夫模型拟合精度较传统方法均有明显提高,验证了改进的灰色马尔可夫模型的有效性.     

道路超限超载预测的灰色马尔可夫模型

文章针对超限超载预测数据量小、随机性大、影响因素复杂等特点,采用灰色模型预测和马尔可夫预测相结合,提出了一种超限超载预测的灰色马尔可夫预测方法.该方法利用历史信息建立超限超载的灰色预测模型,根据结果把超限超载划分为若干状态,再根据马尔可夫模型建立状态转移模型进行预测.应用该方法对某省的道路超限超载趋势进行了预测,实验表明,由于灰色马尔可夫模型充分利用历史数据信息,模型的预测精度高于灰色模型预测精度,可用于道路超限超载预测.     

渔船备件费用灰色马尔可夫预测模型与应用

在渔船备件费用灰色预测的基础上,结合马尔可夫链预测方法,建立渔船备件费用灰色马尔可夫预测模型。实例计算证明：试模型的预测精度高于灰色预测模型预测精度,模型可以用于渔船备件费用预测。     

改进灰色马尔可夫模型在湖南省粮食产量预测中的研究

通过选取湖南省2001年至2017年间的粮食产量数据,采用灰色系统理论、背景值优化、新陈代谢原理、结合马尔可夫模型建立等维新陈代谢的改进无偏灰色马尔可夫模型对湖南省粮食产量进行预测。结果显示:等维新陈代谢的改进无偏灰色马尔可夫模型的预测精度远高于传统的灰色预测模型,该模型更适合中短期粮食产量预测。     

基于改进灰色马尔可夫模型的花生产量预测

【目的】为了提高花生产量的中长期预测精度,提出一种改进的灰色马尔可夫模型。【方法】首先,以中国2010—2020年花生产量数据为研究样本,在传统灰色模型的基础上进行加权滑动平均处理,建立滑动灰色模型;然后,利用马尔可夫链对预测结果进行修正,得到滑动灰色马尔可夫模型;最后,采用新陈代谢的思想,对原始数据序列做等维新息处理,构建新维滑动灰色马尔可夫模型。【结果】新维滑动灰色马尔可夫模型的平均相对误差比滑动灰色模型和滑动灰色马尔可夫模型分别降低了80.00%和48.89%,并预测出未来5年中国花生产量将以2%左右的增长率增长。【结论】本研究结果可为其他农作物产量预测提供一种科学合理的思路。     

基于灰色马尔可夫链的农民平均收入实证研究

将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对农村居民人均纯收入进行实证研究.针对灰色数据系列首先用GM(1,1)模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,得到马尔可夫链预测精度明显高于GM(1,1)模型预测.     

灰色马尔可夫模型在煤矿安全事故预测中应用

灰色马尔可夫模型是将灰色系统理论和马尔可夫链理论相结合建立的预测模型,它不仅充分发挥了灰色预测模型和马尔可夫预测模型的优点,而且,因为马尔可夫链理论的引入,有效地解决了灰色预测模型对于随机波动性较大的数列预测精度低的问题.并且,通过对煤矿千人负伤率预测的实际应用表明,灰色马尔可夫预测模型完全能满足预测精度的要求.     

基于神经网络BP算法的市场预测研究

提出了一种利用神经网络BP算法模型于发现和预测商业市场价格变化趋势的模型。文章着重论述了这一模型的设计思想和实现技术，并选择重庆房地产市场为实验研究对象，给出了用所述方法进行房地产价格预测的实验结果。     

基于动态计量经济学模型的房地产周期研究

为正确判断房地产发展趋势,以动态计量经济学模型为基础,科学地识别并预测房地产市场周期。采用北京1989—2004年的时间序列数据,将先验经济理论与数据统计分析结合,建立自回归分布滞后的ARM AX模型。对变量进行单整ADF检验和多重协整JJ检验,求出误差修正序列。用包含误差修正项的模型来预测市场周期,弥补中国房地产市场广泛存在的非理性因素影响和统计数据的缺陷。研究表明:北京房地产市场的周期约为4~5 a;2005年的房地产市场正处于扩展阶段;2006年北京房地产市场仍将呈现稳步上升的态势。     

我国房地产预售市场的风险及其防范

近年来,我国的预售房地产市场高速增长,虽然可以促进我国人民住房条件的改善,但过高的房价也给房地产预售市场带来了较大的风险.本文对预售房地产市场存在的问题,房地产预售各参与方存在的风险及表现、以房地产预售市场风险产生的原因及解决方法作了初步的分析.     

房地产价格VAR模型的实证研究

随着市场经济的飞速发展,近年来房地产市场持续升温,房地产价格持续走高,为保证房地产业的健康发展,运用VAR方法,对近年来我国城镇居民的可支配收入与我国商品房销售价格之间的关系进行了实证分析,并用最小二乘估计作对比,通过Granger因果检验来验证模型设定的合理性．研究表明,居民收入增长是房地产价格上涨的重要解释因素,居民收入与房地产价格之间呈现正向关系．并以此为基础,为我国房地产市场的健康发展提出了相应的政策建议．     

马尔可夫链在地价预测模型中的应用研究

在地价的预警预报研究过程中,过去的理论主要存在3点不足,（1）往往没有建立科学完善的数学模型,也没有用多种数学模型相互验证预测结论;（2）没有充分利用现有的信息,例如地价监测体系的信息.（3）在实际应用中也存在预测地价水平与城市实际地价水平、预测走势与实际变化有偏差的问题.解决这些问题通过以下方法：充分利用现有的准确的地价监测体系的信息,并在此基础上建立时间序列模型、空间分布预测模型及马尔可夫链地价预测模型;以不动产周期理论和专家经验知识库检验经过数学模型测算的结论.马尔可夫链地价预测模型是概率分布式的预测模型,它专门用于分析系统中不确定性因素的概率分布,经过检验可以认为这个模型适用于对地价变化进行科学的概率预测.     

基于Elman网络的房地产周期识别

房地产市场的发展有着明显的周期性，对房地产周期的识别有助于政府及其他市场参与者进行科学的决策。本文先对1992—2003年的北京房地产市场周期发展各阶段进行编码，将编码结果作为训练的学习样本，再用ELman网络构建房地产周期识别模型。识别结果表明：2004年北京房地产市场处于收缩阶段，国家宏观政策对房地产市场的理性发展起到了积极的作用。     

货币政策对我国房地产市场波动性的影响——基于金融加速器效应角度的分析

根据金融加速器效应原理,货币政策变化往往导致房地产市场产生很大的波动性,我国房地产市场也不例外。我国普遍采用期房预售制度和滚动开发模式,导致房地产市场金融加速器效应呈现出周期不对称性。不同地区房地产市场发展的差异性,则导致金融加速器效应呈现区域不对称性。不同规模房地产企业融资难易程度的差异,导致金融加速器效应因企业规模不同而不同。为保持房地产市场平稳发展．我国需要有针对性地采取相应的政策措施。     

灰多元线性回归分析及其在房地产中的应用

经典多元线性回归分析不能实时跟踪响应变量的动态变化,而且在样本中会因少量病态数据的出现而影响拟合效果,基于以上原因文章提出将灰色系统理论中的GM（1,1）模型与经典多元线性回归分析相结合产生灰多元线性回归分析模型,并将其应用到陕西省的房地产业中,以预测房地产的价格,从而为房地产商提供决策信息。     

房地产住宅市场竞争战略的博弈分析

分析了房地产住宅行业的行业特征,运用古诺博弈证明了在房地产住宅市场实行产量较量的低效率,运用贝特兰博弈论证了在房地产住宅市场上进行价格较量的恶性均衡。指出在房地产住宅市场中产量较量和价格较量是不可行的,同时也证实了合作的优势。提出差异化战略与市场弥隙战略,以期指导房地产企业竞争战略的选择。     

基于时间序列与人工神经网络的房地产周期识别

房地产市场的发展存在明显的周期特性,对房地产周期进行识别有助于政府及其他市场参与者进行科学决策。利用时间序列分析对1992—2003年的北京房地产市场周期发展阶段进行判别研究,并将该判别结果作为训练样本,利用局部改进的标准BP人工神经网络构建了房地产周期识别模型。识别研究表明:2004年北京房地产市场处于收缩阶段,国家宏观政策对房地产市场的理性发展起到了积极的作用。