灰色MGM(1,m,N)模型的构建及其在雾霾预测中的应用

针对传统MGM(1,m)模型和GM(1,N)模型均未能反映多个系统行为变量在多个因素变量影响下的模拟预测问题,本文根据两个模型各自特点对传统MGM(1,m)模型和GM(1,N)模型进行拓展,构建了灰色MGM(1,m,N)模型.研究该模型的建模机理及过程,并解决在多个因素变量的影响下多个系统行为变量的模拟预测问题.最后,将三种模型应用于雾霾的模拟预测中,结果表明,MGM(1,m,N)模型预测精度高于传统的MGM(1,m)模型和GM(1,N)模型,这主要是由于该模型能够较好地描述和反映多个系统行为变量受多个因素变量的影响.     

非线性优化GM(1,N)模型及其应用研究

GM(1,N)模型在因素一次累加弱化系统指标间波动性和灰性的基础上,建立了各因素线性关系的灰色模型,但其强制性的线性假设以及不够完善的求解方法致使其实际运用较少. 为解决这类问题,文章提出了两个非线性优化的GM(1,N)模型--非线性GM(1,N,x_1~((0)))和GM(1,N,x_1~((1)))模型,即在GM(1,N)白化方程的基础上建立因素间非线性关系,并通过BP网络拟合,最终得出拟合结果和预测值.进一步证明了两种非线性GM(1,N)模型均属于GM(1,N)的派生形式,并提出了运用非线性优化GM(1,N)模型进行指标预测的具体方法. 最后通过一个实例进一步表明该模型的可行性与优化性.     

非线性优化GM(1,N)模型及其应用研究

GM(1,N)模型在因素一次累加弱化系统指标间波动性和灰性的基础上,建立了各因素线性关系的灰色模型,但其强制性的线性假设以及不够完善的求解方法致使其实际运用较少。 为解决这类问题,文章提出了两个非线性优化的GM(1,N)模型--非线性GM(1,N,x(0)1)和GM(1,N,x(1)1)模型,即在GM(1,N)白化方程的基础上建立因素间非线性关系,并通过BP网络拟合,最终得出拟合结果和预测值。进一步证明了两种非线性GM(1,N)模型均属于GM(1,N)的派生形式,并提出了运用非线性优化GM(1,N)模型进行指标预测的具体方法。 最后通过一个实例进一步表明该模型的可行性与优化性。     

基于驱动变量增长趋势的TGM(1,N)预测模型

为解决多因素输入的灰色预测问题,改善GM(1,N)模型建模效果,本文提出一种新的TGM(1,N)模型构建方法;首先推导得出驱动变量初值化序列的建模性质,在GM(1,N)模型基础上推导得出TGM(1,N)模型的参数估计式以及模型的时间响应式,并根据系统特性建立了调整参数的确定准则,得出调整参数的计算公式;应用新模型研究了我国粮食产量的预测,其结果证明新TGM(1,N)模型不但具有较高的预测精度,并且满足建模的合理性和实用性。     

分数阶累加时滞GM(1,N,τ)模型及其应用

基于系统的时滞性,本文建立了时滞灰色GM(1,N,τ)模型,给出了模型的最小二乘参数估计公式以及模型的解析解.在引入分数阶累加生成算子后,将原模型扩展为分数阶累加GM(1,N,τ)模型,当时滞值为非整数情况时,采用相邻整数点加权构造法,完善了模型;通过粒子群算法确定模型最优的分数阶累加生成阶数.最后本文结合武汉市1995-2008年14年科技投入及经济增长的实际背景,分别建立了经典时滞GM(1,N,7)和分数阶累加时滞GM(1,N,7)模型对GDP数据做了预测,比较了两个模型预测结果,发现分数阶累加时滞GM(1,N,7)模型具有更高的建模精度.     

融合自忆性原理的优化GM(1,1)幂模型构建及应用

针对因发展变化受众多因素影响而具有饱和增长趋势或单峰特性的原始波动序列,为了提高预测精度,以灰色GM(1,1)幂模型为基础,构建了自忆性原理与优化GM(1,1)幂模型的耦合预测模型,用动力系统自忆性原理来克服传统灰色模型对初值比较敏感的弱点。结果表明,新构建模型能够充分利用系统的多个历史时次资料,模拟和预测精度都高于传统优化GM(1,1)幂模型,进一步拓展了灰色模型的应用范围。最后,以我国高中升学率的数据为例验证了所构建模型的优越性和有效性。     

基于GM(1,1)模型和线性回归的组合预测新方法

为解决 GM(1 ,1 )预测中存在的历史数据的跳变问题 ,依据灰色灾变预测原理 ,利用线性回归适用短期预测的特点 ,提出了一种新的预测方法 :用 GM(1 ,1 )模型预测将来可能的数据跳变日期点 ,对其他非跳变点使用分段线性回归函数进行预测 .通过对浙江省农村用电量的预测 ,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 ,在实际中取得了较好的效果 .     

基于残差递推的自适应GM(1,1)模型

传统GM(1,1)模型存在不能预测波形序列的问题。在GM(1,1)模型和残差GM(1,1)模式的基础上引入了新陈代谢数组,经重新推导后得到递推GM(1,1)模型和残差递推GM(1,1)模型,将前者模型的解与后者取对数后的模型的解反相相加后,得到自适应GM(1,1)模型的解。以实例数据对上述4种方法进行仿真和比较,结果表明,自适应GM(1,1)模型较其他方法有更好的预测效果,从根本上解决了GM(1,1)模型对波形序列的预测问题。     

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。     

累积时滞非线性ATNDGM(1,N)模型构建及应用

针对多变量时滞非线性系统的预测建模问题,引入时滞驱动项和幂指数,构建了累积时滞非线性多变量离散灰色ATNDGM(1,N)模型,给出了模型参数求解方法.基于累积时滞灰色关联模型确定了驱动因素和时滞期数,并探讨了时滞期与时滞权重的关系;利用粒子群算法确定了模型的最优幂指数;论证了 DGM(1,N)、DGPM(1,N)和ATDGM(1,N)模型均是ATNDGM(1,N)模型的特殊形式,研究了数乘变换对模型参数取值的影响;数值实验验证了模型的可行性.将ATNDGM(1,N)模型应用于河南省农业产值的预测中,结果表明该模型具有较高的拟合和预测精度,能够有效处理具有时滞非线性特征的小样本多变量系统预测问题.     

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.     

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Simpson公式的GM(1,N)建模的新算法

根据时间序列的结构与特征, 对GM(1,N)灰微分方程进行了建模机理分析, 并用数值积分算法提出了 基于Simpson公式的建立GM(1,N)预测模型的新算法. 用平均相对误差对一些时间序列进行了模型的 实证分析, 发现新算法的拟合精度比原有算法有明显的改进, 从而验证了该算法对一些时间序列的有效性. 所提出的新算法是建立GM(1,N)预测模型时值得尝试的一个方法, 对GM(1,N)预测模型的合理应用具有一定的现实意义.     

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.     

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.     

灰色自记忆模型及应用

导出了GM（1，1）模型微分方程的自记忆计算格式，建立了一种新的对历史多个时刻观测数据具有记忆功能的灰色自记忆模型，模型克服了GM（1，1）模型“对初值比较敏感”，预见期短和序列数据非负的局限，并有效提高了模型的计算精度。大量数值计算结果充分表明了该模型具有精度高，稳定性好的优点。     

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.