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.     

基于插值和Newton-Cores公式的GM(1,1)模型的背景值构造新方法与应用

分析了GM(1,1)模型中的背景值,提出用插值和数值积分中的Newton-Cores公式重构模型中的背景值,可以有效地提高模型的预测精度和适用性,并将此方法应用到我国人均发电量预测建模中,理论分析和应用实例表明了文章所提的方法的有效性.     

GM(1,1)模型的背景值构造方法和应用(Ⅰ)

灰色 GM( 1 ,1 )模型对高增长指数序列拟合常常产生滞后误差 ,作者认为 GM( 1 ,1 )模型中背景值构造方法是影响其精度和适应性的关键因素 .从此角度出发 ,对背景值构造方法进行研究 ,重构了一个表达形式简洁、计算简单、适应性极强的背景值计算公式 .新的背景值计算公式的一个显著特点是它使 GM( 1 ,1 )模型具有对建模结果进行优化的能力 ,能获得最佳的拟合和预测精度 .它使 GM( 1 ,1 )模型同时适应于低增长指数序列和高增长指数序列建模 ,它是提高 GM( 1 ,1 )模型精度和适应性的关键技术 .算例结果的精度充分说明了它的有效性 .     

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.     

基于背景值和边值修正的GM(1,1)模型优化

针对灰色GM(1,1)预测模型提高精度的问题, 提出了新的背景值优化公式代替传统的背景值优化公式, 再进行边值修正的方法. 该方法采用新的背景值优化公式求出紧邻均值生成序列, 并使用均方误差和最小准则, 针对原始序列和生成序列进行边值的修正. 通过对优化后的模型实证测算, 验证了修正后的模型在提高预测精度上的可行性和有效性.     

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.     

电子设备寿命试验数据的灰色预测方法

灰色GM(1,1)模型中的背景值构造法是影响模型适应性和精度的关键因素.将所构造的背景值公式引入GM(1,1)模型,并用该模型预测电子设备寿命试验数据,目的是缩短寿命试验时间.计算结果表明,所构造的背景值公式有助于提高GM(1,1)模型的预测精度,为有效缩短电子设备寿命试验时间提供了一种值得探讨的方法.     

基于级比优化的广义GM(1,1)预测模型

从GM(1,1)模型差分方程的角度推导出差分GM(1,1)模型及其还原时间响应函数,并与经典GM(1,1)模型(微分GM(1,1)模型)及其还原时间响应函数进行类比分析,得出两者具有同构性,其唯一差别为级比的结论.再由两者的同构性提出了一个广义GM(1,1)预测模型,新模型具有一般性,能有效概括差分方程与微分方程模型,极大提取了原始序列的灰信息;另一方面,与差分GM(1,1)模型及微分GM(1,1)模型的级比固定性不同,广义GM(1,1)模型的级比具有可优化性,通过非线性最小二乘优化方法可得出最优级比,进而从级比的角度优化了GM(1,1)模型,拓展了灰色系统理论.最后通过一个实例充分反映了新模型的上述优点.     

基于遗传算法的GM(1,1,λ)模型

用差分格式将灰色模型 GM(1,1)模型推广为 GM(1,1,λ)模型 ,λ=0 .5即为 GM(1,1)模型 ;由于参数λ与误差之间存在明显的非线形特性 ,而且某些目标函数不可微 ,使得传统的优化方法无能为力 ,文中应用遗传算法求解最优的 λ值 ,然后进行预测 .由 λ的取值知 ,GM(1,1,λ)模型的预测精度一定比 GM(1,1)高 ,数值计算的结果也证实了这一点 .     

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。     

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.     

背景值和初始条件同时优化的GM(1,1)模型

GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,单独采用优化背景值方法或优化初始条件方法可以在一定程度上提高模型精度,因为两种改进方法完全独立。这里提出一种同时优化背景值和初始条件的新GM(1,1)模型,通过模拟数据的比较表明,新优化GM(1,1)模型有更高的精度。     

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.     

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.     

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.     

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.     

特征自适应型GM(1,1)模型及对中国交通污染排放量的预测建模

兼顾精度与拟合趋势相似性是预测建模需要深入研究的重要问题.为提高模型对数据特征的适应能力,本文分析了GM(1,1)模型中灰微分方程和白化方程的一致性关系以及响应式还原方法问题,提出构建一种特征自适应型灰预测模型,即CAGM(1,1)模型.该模型采用含可变参数的背景值公式构建灰微分方程,并通过转化模型形式推导了参数估计过程,进而构建以背景值序列为基础的时间响应式;为提高模型预测能力,本文结合灰色关联度构建响应式还原过程中待定变量的适应度函数,采用粒子群算法取得其最优值.最后,案例研究了我国机动车污染排放预测问题,分别构建GM(1,1)和CAGM(1,1)模型对氮氧化合物排放量进行建模,通过比较二者拟合和预测结果验证新模型的改进效果,为管理实践提供有效工具.     

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。     

含时变时滞函数的GM(1,1|τ_i)模型及其应用

针对带有时滞效应的小样本数据序列的预测建模问题,现有模型通常假设时滞期为固定值,忽略了时滞值动态变化对模型效果的影响.为了克服这一局限性,本文考虑系统时滞的动态变化效应,将GM(1,1|τ,r)模型的静态时滞参数推广为时变时滞函数,设计出非整数时滞取值区间对应的时变时滞参数表达式.提出以灰关联理论为基础的时变时滞函数的参数优化方法,推导出GM(1,1|τ_i)模型参数估计值以及预测序列的时间响应式.该方法不仅提高了模型对所分析序列的拟合度,还可充分利用时滞参数函数的数学性质,进一步研究时滞因素对系统发展趋势的影响.最后,将GM(1,1|τ_i)模型应用于福建省全省沿海港口货物吞吐量预测,并将建模预测结果与经典的GM(1,1)模型和GM(1,1,τ)模型进行比较.结果表明当原始序列具有时滞效应时,GM(1,1|τ_i)模型具有更高的建模精度,能够反映出更为复杂的系统时滞变化情况,扩展了含时滞参数灰色预测模型的适用范围.     

GM(1,1)模型的背景值构造方法和应用(Ⅱ)

通过重构一个表达形式简单的背景值计算公式，使得GM（1，1）模型能通用于等间距序列和非等间距序列，从而达到了扩大GM（1，1）模型应用范围的目的，同时仍保持了GM（1，1）建模简单易行的显著优点．实例说明，重构的背景值计算公式用于非等间距序列有很高的拟合和预测精度．