含时间幂次项的灰色GM(1,1,tα)模型及其应用

针对GM(1, 1)模型应用的局限性, 根据实际应用的需要, 利用灰色建模思想构建了含时间幂次项的灰色GM(1,1,t^α) 模型, 对该模型的建模过程、参数估计、时间响应式进行了研究, 并讨论了α几种特殊取值下的该模型的性质、适用范围、时间响应式, 并利用GM(1,1,t²) 对某沿海高速的软土地基沉降进行了拟合与预测, 获得了较高的拟合与预测精度, 通过实际应用检验了所构建的模型的有效性.     

灰色多变量GM(1,N)幂模型及其应用

针对多变量少数据的系统建模问题,提出了灰色多变量GM（1,N）幂模型及其派生模型GM（1,N,x^（1））幂模型,给出了其参数估计算式和近似时间响应式,在此基础上,分两种情况讨论了模型的参数优化方法,并通过数值模拟和应用实例验证了新模型的有效性. 结果表明：传统的GM（1,N）模型是GM（1,N）幂模型的特殊形式,GM（1,N）幂模型能够更好地描述系统特征行为序列与其影响因素序列的非线性关系,从而有效地提高传统灰色多变量系统建模的精度.     

含季节性虚拟变量的GM(1,1)模型及其应用

针对GM（1，1）模型难以准确预测季节性时间序列的问题，本文将季节性虚拟变量作为灰作用量引入传统GM（1，1）模型中，提出了含季节性虚拟变量的GM（1，1）模型（简记为GMSD（1，1））.在GMSD（1，1）模型定义型和白化型的基础上，推导了GMSD（1，1，x⁽¹⁾）模型、GMSD（1，1，x⁽⁰⁾）模型、GMSD（1，1，b）模型、GMSD（1，1，exp）模型、GMSD（1，1，C）模型等五种派生型GMSD（1，1）模型，构建了季节性虚拟变量GM（1，1）模型群.同时利用粒子群算法对GMSD（1，1）模型和GMSD（1，1，exp）模型中的解析式进行最优化求解.最后以中国水力发电量的季度数据为例，验证了含季节性虚拟变量的GM（1，1）模型及其派生模型的有效性和优越性.结果表明：相较于传统GM（1，1）模型，引入季节性虚拟变量的GMSD（1，1）模型及其派生模型更能准确地描述系统特征序列的季节性波动和周期性变化特征.     

非等间隔GM(1,1)幂模型及应用

GM(1,1)幂模型是灰色Verhulst模型的推广.在灰色Verhulst模型和等间隔GM(1,1)幂模型基础上提出了非等间隔GM(1,1)幂模型,并对模型进行求解.同时讨论了GM(1,1)幂模型曲线形状和幂指数以及发展系数之间的关系,研究了非等间隔GM(1,1)幂模型的参数空间.将平均相对误差看成幂指数的函数,根据序列形状判断幂指数的范围,利用粒子群算法求解幂指数,克服了灰色Verhulst模型的缺陷.最后实例表明:GM(1,1)幂模型建模精度高于灰色Verhulst模型,该方法具有重要的理论意义.     

GM(1,1)幂模型求解方法及其解的性质

根据灰色系统信息覆盖的基本原理,给出了GM(1,1)幂模型中参数α的估计方法.讨论了α的不同取值对模型解的影响,对其白化微分方程解的定理进行了补充,并给出了白化微分方程解的优化方法.结果表明,所提出的建模方法更能适应于一类具有饱和状态或发展变化受众多因素影响的波动原始序列,在0<α<1且a>0和α>1且a<0两种情形下,GM(1,1)幂模型与灰色Verhulst模型具有相同的极限性质,但模拟预测精度高于灰色Verhulst模型.     

GM(1,1)幂模型的病态性

针对GM(1,1)幂模型参数辨识过程中可能出现的病态性问题, 首先基于矩阵求逆的条件数分析灰色模型病态程度的衡量方法, 然后按照GM(1,1)幂模型的背景值和幂指数的不同取值, 分三种情形讨论了数据矩阵求逆条件数的取值范围, 在此基础上总结影响GM(1,1)幂模型病态性的主要因素, 并通过实例加以验证. 结果表明, 在部分情形下GM(1,1)幂模型的数据矩阵求逆不存在病态性, 但在部分情形下可能出现数据矩阵求逆的病态性, 其中, 背景值和幂指数是影响模型病态性的直接因素.     

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型（简称GM(1,1)幂模型）的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。     

优化的GM(1,1)幂模型及其应用

针对GM(1,1)幂模型的幂指数和背景值的优化问题, 首先归纳出GM(1,1)幂模型的建模步骤和传统方法的不足, 然后以平均相对误差最小化为目标、参数之间的关系为约束条件, 构建了两个非线性优化模型, 实现对GM(1,1)幂模型的幂指数和背景值插值系数的优化. 结果表明, 优化的GM(1,1)幂模型使得平均相对误差绝对值在理论上达到最小优化, 解决了传统建模方法与模型检验的脱节问题, 其模拟和预测精度都高于传统模型. 最后, 以我国高中升学率的数据为例验证了本文优化方法的优越性和有效性.     

一类离散灰色模型及其预测效果研究

GM(1,1)模型是灰色系统理论中最重要的内容之一,针对该模型在预测时出现的预测精度问题进行讨论,进而建立了新的离散灰色模型:始点固定离散灰色模型(SDGM)和终点固定离散灰色模型(EDGM),运用大量的数据模拟和预测,将新建立的2个模型和GM(1,1)模型的进行效果比较,发现新建立的2个模型均比GM(1,1)模型有更高的模拟精度和预测精度.     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.     

灰色GM(1,1)派生模型病态性的差异分析

本文主要研究GM(1,1)六种不同派生模型的病态性.首先利用特征分析法和参数估计矩阵B~TB的条件数探讨了辨识参数系数矩阵的病态性情况,根据病态性程度对派生模型进行归类,进而分析了各类模型产生病态性的原因,并对具有病态性的派生模型采用向量变换法进行改进.在此基础上,比较了定义型与派生模型在建模机理、计算繁简程度等方面的差异.研究结果表明:1)派生模型b型、派生模型内涵型属于第一类即不存在病态性的模型;定义型、派生模型x~(1)型、离散型属于第二类即存在一般程度病态性的模型;派生模型x~(0)型、派生模型指数型属于第三类即具有严重病态的模型;2)与各类派生模型相比,定义型在建模机理、计算量的大小等方面有明显优势.最后,通过数值实例验证了分析结果的合理性.     

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.     

基于函数γ+δi的加权WGM(1,1)模型及其在技术创新中的应用

针对以前文献加权WGM(1,1)模型人工赋权,由于序列(0)(n)后的权重未知,从而导致无法还原x(0)(n)以后的预测值的问题,本文提出了线性函数γ+δi赋权.本文首先证明了WGM(1,1)模型的基本形式;第二,基于WGM(1,1)模型的基本形式,用最小二乘法估计其参数γ,δ,a,b,构建了线性加权WGM(1,1)模型;第三,为对比分析,又构建了加权改进WIGM(1,1)模型;第四,通过技术创新实例对所构模型进行实证.其结果表明,WGM(1,1)模型能减少序列平均相对百分比误差(MAPE).若经过WGM(1,1)模型拟合后,仍有较大的MAPE值,这时还可以用WIGM(1,1)模型再拟合,以进一步减少MAPE值;最后,从理论与实证上,论述了WGM(1,1)和WIGM(1,1)模型的有效性及最佳使用条件.     

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.     

DGM(1,1)模型的特性及其在技术创新领域中的应用

本文首先提出了以前文献对DCM(1,1)与GM(1,1)模型关系的证明错误,否定了以前文献的一些观点.第二,证明了DGOM(1,1)模型的MAPE值与边值x~((1))(m)(1≤m≤n)无关.第三,发现DGOM(1,1)模型的MAPE值变劣现象并分析其原因.第四,用最小一乘法,构建了边值优化的DGOMII(1,1)模型,其效果优于DGOM(1,1)模型.最后,将DGM(1,1)及DGOMII(1,1)模型应用于技术创新领域中.