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.     

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.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

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.     

一种新的集成预测方法——GPVECM

采用基于遗传规划的因子提取方法来解决从大量非平稳数据中提取非平稳因子的问题,并提出一个基于遗传规划与向量误差修正模型相结合的集成预测方法(GPVECM).此方法以预测误差最小化为目标优化了因子提取过程,将因子提取与预测模型有机地集成在一起.本文应用GPVECM方法对中国进出口贸易预测进行了实证检验,取得了良好的预测结果,表明此方法能够有效地提炼数据中的信息,从而提高预测精度,进行有效预测.     

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。     

基于广义指数预报因子的石油价格预测模型

提出了两种基于广义指数预报因子模型的石油价格预测方法.该方法使用拟合期内的样本,在不同准则下选取有限个不同参数的EWMA的线性组合,作为油价的预报因子.实证分析显示,该方法的预报结果比文献中已有的结果要准确.     

应用Fuzzy概率预测Lanchester毁伤系数

一、引言 运用Lanchester作战模型的一个基本能力是能够可靠地预测对抗双方各类武器在作战中的毁伤系数。根据J.G.Taylor[1]所述,目前常用的方法有两种:(1)分析式模型;(2)统计估计模型。这两种方法的共同点是都需要采集精确的数据作依托,作战模拟中基本上是采用试验数据和计算机模拟数据。这样对实际作战进行决策分析,在相容性上存在较大问题。因而为Lanchester方程的使用带来很大的不便,这也是许多人对Lanchester模型应用的可靠性提出许多置疑的原因之一。究其原因,主要是两方面的因素:其一,由于战场上的真实数据无法获得,用其他数据替代,必然造成很大的失真。一个复     

基于混沌时间序列的误差纠错预测模型

提出了一种新型的非常实用的非线性时间序列的预测模型,即误差纠错预测模型(EAM),并从概率统计的角度严格证明了该方法的可靠性,同时分析了受噪声扰动的时间序列的预测.先按一般方法确定嵌入维数与时间步长,在每个当前时刻,先用局域线性回归方法得到预测点的预测值,根据信息在非线性演化中产生的失真误差大小予以修正得到修正值,并以该点为新的基点作进一步预测.该方法具备了滑动窗口二次自回归模型(MWDAR)的适用于小数据集且对大数据集具有高效率的优点,而且克服了MWDAR方法中一次项和二次项阶数及滑动窗口长度等参数难以确定,从而会导致预测恶化,使得应用受到限制的缺点.分别用Logistic方程产生的小数据集和大数据集的混沌时间序列数据作了预测,结果良好.     

线性时变参数离散灰色预测模型

分析离散灰色模型模拟值增长率恒定的原因,通过引入线性时间项,构造时变参数离散灰色模型(称TDGM(1,1)模型).进而研究该模型性质,结果表明:TDGM(1,1)模型具有白指数规律重合性、线性规律重合性、伸缩变换一致性,克服了原离散模型模拟值为等比序列的问题.应用最优化方法研究TDGM(1,1)模型迭代基值问题,建立优化模型并提出求解算法.最后说明应用TDGM(1,1)模型进行建模和预测的步骤,通过实例比较该模型与原离散灰色模型及非其次离散模型的预测能力,结果显示TDGM(1,1)具有更高的模拟和预测精度.     

A self-similar local neuro-fuzzy model for short-term demand forecasting

This paper proposes a selfsimilar local neurofuzzy （SSLNF） model with mutual informati onbased input selection algorithm for the shortterm electricity demand forecasting. The proposed self similar model is composed of a number of local models, each being a local linear neurofuzzy （LLNF） model, and their associated validity functions and can be interpreted itself as an LLNF model. The proposed model is trained by a nested local liner model tree （NLOLIMOT） learning algorithm which partitions the input space into axisorthogonal subdomains and then fits an LLNF model and its associated validity function on each subdomain. Furthermore, the proposed approach allows different input spaces for rule premises （validity functions） and consequents （local models）. This appealing property is employed to assign the candidate input variables （i.e., previous load and temperature） which influence shortterm electricity demand in linear and nonlinear ways to local models and validity functions, respectively. Numerical results from shortterm load forecasting in the New England in 2002 demonstrated the accuracy of the SSLNF model for the STLF applications.     

基于新陈代谢灰色马尔科夫的应急物资需求量预测方法

为提高受灾人数与应急物资需求量预测精度问题,提出了基于新陈代谢灰色马尔科夫的应急物资需求量预测方法。依据应急物资需求量预测思路,利用灰色、马尔科夫和新陈代谢理论,层级递进地构建新陈代谢灰色马尔科夫预测模型,实现受灾人数的动态预测;利用安全库存理论,构建应急物资柔性需求预测模型,实现受灾人数与物资需求量的供需平衡问题;运用本文模型、灰色马尔科夫模型和灰色模型对受灾人数与物资需求量进行预测,结果表明：该预测模型的相对误差要比其他模型小0.002 1%,预测精度明显优于基本的灰色模型,预测的受灾人口数量与应急物资需求量拟合度较高。     

基于GA-SA的低轨星座传感器资源调度算法

针对基于低轨预警系统的多目标跟踪,提出了兼顾跟踪精度与系统效率的传感器资源调度算法。首先,建立了目标跟踪模型。然后,以调度周期内后验克拉美罗下界(posterior Cramer-Rao lower bound,PCRLB)变化率、卫星切换率为指标,建立了传感器调度的混合整数规划模型,在此基础上,采用遗传(genetic algorithm,GA) 模拟退火(simulated annealing,SA)混合算法对调度模型进行优化求解,提高了对解空间的搜索能力与求解速度。最后,仿真试验表明本文调度模型的正确性与GA-SA混合优化算法的有效性。     

A Demand Forecasting Method Based on Stochastic Frontier Analysis and Model Average: An Application in Air Travel Demand Forecasting

Demand forecasting is often difficult due to the unobservability of the applicable historical demand series. In this study, the authors propose a demand forecasting method based on stochastic frontier analysis(SFA) models and a model average technique. First, considering model uncertainty,a set of alternative SFA models with various combinations of explanatory variables and distribution assumptions are constructed to estimate demands. Second, an average estimate from the estimated demand values is obtained using a model average technique. Finally, future demand forecasts are achieved, with the average estimates used as historical observations. An empirical application of air travel demand forecasting is implemented. The results of a forecasting performance comparison show that in addition to its ability to estimate demand, the proposed method outperforms other common methods in terms of forecasting passenger traffic.     

基于组合预测的间断性需求器材预测

为了提高间断性需求装备器材的预测精度,提出一种组合预测模型。该模型从解释变量序列和自相关序列两个方面进行组合预测,对解释变量序列采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,整合两个预测结果得到最终的提前期需求。实验结果表明,该预测模型具有较高的预测精度。     

基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型

针对复杂经济系统下时间序列所呈现出的小样本非线性残差特征,采用非线性残差灰色Verhuilst模型进行研究,修正传统计量模型对于残差信息挖掘不够,预测精度不高的问题,在此基础上,选择带有精英策略的EGA算法来建立灰色Verhulst计量组合预测模型,设计了算法实现的逻辑流程和非线性残差灰色Verhulst计量组合预测模型的整体建模思路,提出了改进多准则目标优化NP完全问题的新方法,对模型的预测效果进行比较分析.实证研究表明:基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型算法收敛速度快,拟合效果好,预测结果更精确.     

基于LSTM-SVR模型的航空旅客出行指数预测

航空旅客出行的情况对民用航空机场建设与运营具有重大意义，定义了一种航空旅客出行指数，运用机器学习方法对航空旅客出行指数进行预测，克服了单一预测模型精度的不足，提出一种将长短期记忆网络(LSTM)与支持向量回归(SVR)相结合的航空旅客出行指数组合预测模型，并对预测结果集进行聚类分析。以上海机场航空旅客数据为实证，验证了LSTM-SVR组合预测模型可行性与有效性，实验结果显示：LSTM-SVR组合预测模型较传统单一预测模型具有更高的精度；同时，LSTM-SVR组合预测模型与其他组合预测模型相比也有较明显优势。此外，基于K-均值算法对航空旅客出行指数进行聚类分析并给出评级，此举为机场运营管理及旅客出行提供一定的决策支持。     

基于小波和多维泰勒网动力学模型的金融时间序列预测

提出建立多维泰勒网动力学模型及参数辨识方法, 和基于小波多维泰勒网模型的金融时间序列预测方法. 利用Mallat算法将金融时间序列分解成一个低频信号和若干个高频信号; 对不同频率的时间序列建立多维泰勒网动力学模型; 通过共轭梯度法训练模型参数, 并进行预测; 将各模型的预测结果进行叠加, 得到原始序列的预测值. 实验结果表明, 这种金融时间序列预测方法具有较高的预测精度和预测方向正确率.     

求解流量监测点最优部署问题的混合遗传算法

针对网络流量监测点最优部署(Optimal Deployment of Flow Monitors,ODFM)问题,提出了ODFM问题的通用模型。将遗传算法和模拟退火算法相结合,给出了求解ODFM问题的遗传模拟退火算法(GA-SA)。通过仿真实验,将GA-SA和标准遗传算法(Standard Genetic Algorithm,SGA)以及Suh等人提出的两步近似算法(Two-Stage Approximation Algorithm,TSAA)的求解性能进行了比较。实验结果表明,与SGA和TSAA相比,GA-SA可获得15%以上的求解性能提升。     

变权组合预测模型研究

给出了一种变权重组合预测模型权系数估计的新算法 .该算法通过广义逆矩阵的循环迭代 ,形成收敛的权系数 ,进而进行组合预测 .文中还给出了算法收敛性的证明 .实例分析效果是显著的——变权重方法比普通方法预测精度高 ,拓广了组合预测的范围.