无偏GM(1,1)模型的动态特性分析

传统GM(1,1)模型是最基本的灰色预测模型,无偏GM(1,1)模型是在传统GM(1,1)模型基础上的一种改进,它消除了传统GM(1,1)模型本身所固有的偏差.对无偏GM(1,1)模型的动态行为特性进行分析,并与传统GM(1,1)模型进行对比,明确了无偏GM(1,1)模型特性和适用条件.     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

尾部残差修正GM(1,1)模型在煤矿百万吨死亡率预测中的应用

 煤矿安全是当前安全生产工作的重中之重。为掌握煤矿安全生产情况,降低事故损失,保证中国煤炭工业健康、快速、可持续发展,本文在传统GM(1,1)模型的基础上,建立了关于煤矿百万吨死亡率的尾部残差修正GM(1,1)模型。将该方法应用于2001—2011年全国煤矿百万吨死亡率分析,并以此为基础对2012、2013年的煤矿百万吨死亡率进行预测,与传统GM(1,1)模型的预测结果进行对比分析。研究结果表明,传统的GM(1,1)模型精度较差,最大误差达到14.35%,经修正的尾部残差GM(1,1)模型预测结果可靠,实际值与预测值平均相对误差1.14%,最大相对误差3.81%,各项指标均明显优于传统的GM(1,1)预测模型,为政府、矿山企业制定安全生产目标、政策以及建立科学高效的安全管理机制提供理论依据。     

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.     

混合灰色预测模型HGM(1,1)

研究了现有的传统GM(1,1)(简称GM(1,1))、基于缓冲算子和时间响应函数优化的GM(1,1)、首输入GM(1,1)(简称FGM(1,1))、变权缓冲GM(1,1)(简称VWGM),针对它们存在的问题,提出了一种新的预测模型——混合GM(1,1)(Hybrid GM(1,1),简称HGM(1,1)).该模型引入了...     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

GM(1,1)的MATLAB实现及其应用

灰色GM(1,1)预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一.因此,GM(1,1)模型的应用范围很广泛.本文简要介绍了GM(1,1)模型的原理及其预测步骤,用MATLAB软件实现了GM(1,1)预测算法并给出了源代码.在此基础上,用统计年鉴上的住宿和餐饮业收入增加值数据进行了仿真,从而验证了该算法的有效性和程序的正确性。     

基于最小二乘法的GM(1,1)模型在人口预测中的应用

作者先对问题进行分析,在明白要采取灰色系统理论来处理该问题原因的前提下,运用普通的GM(1,1)模型的知识,通过优化GM(1,1)模型(下称模型一)、新陈代谢GM(1,1)模型(下称模型二),鉴于此,采用最小二乘法对模型一和模型二预测出的两组数据,以及实际数据进行拟合,得到了关于模型一,模型二的两个系数,然后用这样的两个系数,重新组合模型一,模型二,得到了第三个模型,即基于最小二乘法的GM(1,1)模型(下称模型三),再一次的进行预测。三个模型的预测数据进行比较,显然是模型三的误差最小,认为模型三最符合实际。并以基于最小二乘法的GM(1,1)模型的预测数据作为最终的结果。     

GM(1,1)模型分析股价趋势

用GM (1,1)等维新陈代谢模型来分析股价短期趋势 ,并根据GM(1,1)等维新陈代谢模型显示的趋势变化 ,指出了买入股票的最佳时机     

灰色GM(1,1)模型的图解法

灰色GM(1,1)模型是GM模型中最基础、最核心、应用最广泛的一种预测模型.本文提出了确定GM(1,1)模型基本解有关待定参数的一种新方法——图解法.该方法能方便地确定GM(1,1)模型解的有关待定参数,既简明又直观.将图解法与解析法进行比较,结果表明,图解法与解析法的精度基本接近,能够满足工程控制的需要.     

无偏GM(1,1)模型与指数方程模型的比较

无偏GM(1，1)模型是在传统GM(1，1)模型基础上的一种改进，它实际上是一无偏差的指数模型，相对于用回归法进行曲线拟合建立指数方程模型这样一种建模方法，该方法可认为是一种新的指数模型建模方法，通过理论分析和实例计算对这两种模型进行了比较。     

一种带有调节因子的背景值构造方法及在灰色系统建模中的应用

针对传统灰色GM（1,1）模型和已有的若干改进GM（1,1）模型在高增长指数序列建模时模型精度较低的问题,构造了一种带有调节因子λ的新背景值公式,提出了调节因子λ的优化方法,并应用于灰色系统建模中.大量的数字仿真表明：基于调节因子λ建立的新GM（1,1）模型,即使是在发展系数较高、且用于多步预测时精度仍然保持较高,它较传统GM（1,1）模型和已有的改进GM（1,1）Ⅰ,Ⅱ型均有显著地提高.     

基于响应不变法的GM(1,1)模型

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的GM(1,1)模型.该模型具有白指数重合律,它突破了|a|较大时GM(1,1)模型不能应用的禁区,拓广了GM(1,1)模型的应用范围.     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

非等间距GM(1,1)组合预测模型

根据灰色模型建模特点,利用等维灰色递补动态预测模型的方法建立了非等间距GM(1,1)预测模型。基于这些GM(1,1)预测模型给出了一类非等间距GM(1,1)组合预测方法。实例表明结果理想可靠,有较高的拟合和预测精度。     

完全信息利用的GM(1,1)建模方法

通过对GM(1，1)模型的协调性分析，证明GM(1，1)模型的还原数据模型与原始序列的第一点无关，并在此基础上提出了一种可以完全利用全部已知信息的GM(1，1)建模方法，完善了灰色建模理论．实例证明完全信息利用的GM(1，1)建模方法能够获得较好的预测效果。     

基于响应不变法的GM(1,1)模型的动态特性分析

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差,导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的无偏GM(1,1)模型.对基于响应不变法的GM(1,1)模型的动态特性进行了分析,明确了该模型的特性和适用条件.     

灰色GM（1，1）模型参数的优化方法

灰色GM(1，1)模型的建模机理上，给出了模型参数的优化方法。提高了模型的预测精度。为实际应用提供了新的方法。