GM(1,1)幂模型的派生模型

为了进一步完善灰色幂模型体系, 分析了经典GM(1,1)模型和GM(1,1)幂模型之间的变换关系, 在GM(1,1)幂模型的定义型和白化型的基础上, 推导了GM(1,1,x⁽²⁾)幂模型、GM(1,1,x⁽¹⁾)幂模型、GM(1,1,b)幂模型、GM(1,1,exp)幂模型和GM(1,1,C)幂模型五种派生型GM(1,1)幂模型, 构建了GM(1,1)幂模型群. 结果表明, GM(1,1)幂模型与GM(1,1)模型的时间响应函数在本质上是一致的, 不同的GM(1,1)幂模型派生模型在结构、内涵、解析式、功能方面存在一定的区别, 体现了灰色系统解非唯一性原理. 在实际应用中, 可以依据一定的准则, 在默认解群中找出一个最合适的白化解.     

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.     

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.     

基于级比序列的离散GM(1,1)模型

针对离散GM(1,1)模型的模拟序列未能反映出原始数据序列的级比动态变化这一问题,通过对原始数据序列的级比序列进行建模,建立基于级比序列的级比离散GM(1,1)预测模型。该模型较好地保留了原始序列级比的动态性,结合原始序列与级比序列的关系,获得原始序列的模拟值。数值计算结果表明,基于级比序列的离散GM(1,1)预测模型,无论在相对误差还是平均相对误差的变动幅度方面,都优于离散GM(1,1)模型。     

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.     

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。     

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.     

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.     

弱化缓冲算子对GM(1,1)模型的预测效应及适用性

在GM（1,1）模型预测中,缓冲算子能有效处理含有冲击扰动因素的原始数据,改善模型的预测效果. 本文在系统分析缓冲算子对GM（1,1）预测作用过程的基础上,提出了GM（1,1）模型的预测效应以及缓冲算子适用性的评价准则. 选用典型的6种弱化缓冲算子对河南粮食产量数据分长序列、宽间距序列和短序列三种情况进行了模拟计算分析. 确立了不同算子对GM（1,1）模型预测产生的效应及其适用范围,并选用具有类似特征的其他数据序列验证了研究结果的有效性.     

GM(1,1)模型初始条件和初始点的优化

在对GM(1,1)模型的初始条件进行优化时,由于优化的目标函数为误差平方和最小,而模型的检验标准为平均相对误差最小,两个准则的不一致性导致优化效果不理想.本文以相对误差平方和最小为目标优化GM(1,1)模型,分别对初始条件和初始点进行优化,给出优化的计算公式,并证明在原始序列相对误差平方和最小的准则下,初始条件优化和初始点优化是统一的.实例表明运用优化公式与数值最优解计算得到的模型平均相对误差非常接近,且运用优化公式比数值解求解更方便.     

基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模

CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。     

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.     

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.     

灰色预测模型特性的研究

对 GM(1 ,1 )模型特性进行了研究 ,证明了 GM(1 ,1 )模型是有偏差的指数模型 ,分析了模型偏差的特性 ,进而从理论上阐明了 GM(1 ,1 )模型误差的实质 .     

基于灰色组合模型的河南省粮食产量预测

一元线性回归有直线趋势,而GM(1,1)能较好地模拟指数变化的趋势。但是,如果原始序列整体上是直线趋势,在少数点上,数据模拟值和回归直线偏离较大时,线性函数已不能很好地预测数据序列的变化了。对于此类问题,将数据分为跳变点(即模拟值偏离回归直线较大)和非跳变点数据,并将跳变点又分为上、下跳变点,借鉴灰色灾变预测原理,用GM(1,1)模型预测跳变点数据,而对其他非跳变点使用去掉跳变点后的数据形成的新的线性回归方程进行预测。通过对河南省粮食产量的预测,结果表明该方法很好地克服了GM(1,1)模型和线性回归模型的缺陷,具有较好的实际应用价值。