GM(1,1)模型研究的一些进展

介绍作者对灰色GM（1，1）模型研究取得的成果，具体内容为：证明了GM（1，1）模型为有偏差的指数模型，导出了模型的相关公式，提出了无偏灰色预测模型（无偏GM（1，1）模型），并用实例说明了该模型的优越性。     

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AHP方法和灰色GM（1，N）模型的预测研究

灰色GM（1,1）预测模型对于小数据、贫信息的预测问题有着比较好的预测精度。但该模型仅仅依靠数据本身的内部关系进行分析而没有考虑到其他影响因素。本文以灰色GM（1,N）分析模型为基础,并用以AHP方法对数据进行处理,将GM（1,N）分析模型改造成预测模型,针对于我国2002年到2008年的GDP数据进行预测实证,结果表明该方法明显优于传统的灰色GM（1,1）预测以及回归预测。     

GM(1,1)模型灰色预测法预测城市人口规模

以1992-2001年呼和浩特市人口数据资料为依据，应用灰色系统理论构建GM(1，1)人口预测模型，统计检验和误差分析表明，模型精度较高．用该模型预测了呼和浩特市2005-2009年城市人口规模，并对预测结果进行了分析．     

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。     

灰色模型GM(1,1)在短期电力负荷预测中的应用

讨论了灰色模型GM（1，1）及其改进模型在短期电力负荷预测中的应用，提出了适合电网普通日及特殊日电力负荷预测的数据处理方法，提高了预测的精度。     

GM（1，1）模型在田径成绩预测中的运用

GM（1，1）预测模型是根据过去及现在已知的或非确知的信息建立一个从过去引申到将来的GM模型，从而确定系统在未来发展的趋势。它具有需原始数据少，精度高的特点，操作简单易行，打破了传统的建立离散的递推模型预测方法，也克服了传统预测方法的局限性。田径运动是一个明显的灰色系统，所以该方法预测田径成绩（如奥运会田赛成绩）是可行的，具有实际研究意义。     

GM（0,N）模型在河流径流量预测中的应用

河流径流量的预测对水资源的优化调度管理具有重要的意义,传统的预测方法中原始数据的随机性对预测精度具有很大的影响。对GM（0,N）模型进行了研究,建立了以河流径流量为系统特征数据序列,年平均降水量和年平均饱和差为相关因素序列的GM（0,3）模型。通过模型预测数据和实测数据的对比,说明了GM（0,N）模型具有较好预测效果;同时,为了证明GM（0,N）模型的优点,对比了其预测结果与线性回归预测模型的结果。     

应用直线回归和GM模型预测S市性病流行趋势

应用直线回归分析和灰色系列预测模型GM（1,1）预测S市性病的报告发病趋势。结果表明,两者的预测结果均呈逐年上升的趋势。     

对灰色模型GM（1,N）的建模改进

灰色系统理论是我国学者邓聚龙教授提出的一种新型理论，已成功地应用到社会经济的各个领域。就整个理论体系看，灰色模型GM（1，N）应为灰色系统理论的核心部分，它是预测、决策和控制的基础。在笔者学习灰色模型理论和实际建模时发现，GM（1，N）模型对变量变化率王背景值的处理还有些武断，本文对此提出改进办法，供商榷。一、对GM（1，N）的建模改进GM（1，N）是一阶微分方程型的模型，它仅涉及一个变量的变化率。不失，般性，可以只讨论最简单的GM（1，1）模型。GM（1，1）模型的化形式是：dX于十ax一如．＿＿＿＿＿，，＿，＿d…     

GM(1,1)和GM(1,N)联合模型在自来水厂自动加矾系统预测中的应用

通过引入自相关分析,将GM(1,N)模型预测精度高的优点和GM(1,1)所需统计数据数量少的优点,两者有机结合形成一个联合预测模型,运用于自来水厂自动加矾系统,进一步提高灰色模型的预测精度,并证明了该方法在实际应用中的可行性.     

一次函数变换GM(1,1)模型分析及直接离散GM(1,1)模型的建立

分析了基于一次函数变换的GM(1,1)模型提高预测精度的实质,即模拟序列从原有的纯指数序列变成了非齐次指数序列,并指出提高光滑度并不是提高预测精度的决定性条件,建立了模拟序列为非齐次指数序列的直接离散GM(1,1)模型.该模型不对原始数据做任何改变,实例应用结果表明其预测精度同一次函数变换的GM(1,1)模型相当,指出了改变模拟序列特征使其更接近于原始数据的发展,对于提高预测精度更具意义.     

基于GM（1，1）模型的河南省民用汽车需求预测模型

利用灰色系统理论研究了河南省民用汽车数量的预测问题，根据近几年河南省民用汽车数量的数据，运用灰色系统理论的GM（1，1）模型建立了时间序列模型建立了时间序列预测模型，并通过实际数据进行仿真，证实了所建模型是可靠和可行的．     

基于GM(1,1)模型的空气质量变化趋势预测及分析

在掌握区域空气环境质量现状资料的基础上,运用具有适用性广,预测准确率高等优点的灰色系统预测模型对大连市未来五年空气中SO2的浓度变化趋势进行预测,对其模型的精度和可行性进行了分折和检验,并与目前常用的指数平滑法的预测结果进行了对比。研究结果表明:建立基于GM(1,1)模型的大气质量变化趋势预测模型是可行的,其模型的平均相对误差比指数平滑法减少了44％,因此预测精度高,能够满足预测要求。     

GM(1,1) 模型的边值分析

GM（1,1）模型中边值条件对于生成列微分方程中参数的估计值没有影响,但是对于生成序列和原始序列的预测值却有着指数修正效用,使用均方程差和最小准则,针对生成序列和原始序列给出了确定边值修正项的两种方法,实例表明,考虑边值修正项可以大大地降低预测误差。     

提高GM（1，1）预测精度的一些措施

本文讨论了影响ＧＭ（１，１）预测精度的常见的一些原因，并相应地介绍了改进ＧＭ（１，１）预测模型，以提高预测精度的几个措施。     

基于改进的GM（1,1）模型的上海市垃圾产量的预测

GM(1,1)模型是上海市垃圾产量预测的一种有效的方法,但序列的随机波动性难以在GM(1,1)模型得到反映。利用灰色震荡序列GM{1,1}模型,对上海市2000年~2008年垃圾产量进行预测,预测结果表明,此方法能够反映出上海市垃圾产量所具有的波动性特性,得到更高的预测精度。     

BP与GM(1,1)预测隧道涌水对比分析和实证

利用某隧道的涌水监测数据,对比BP神经网络和GM(1,1)灰色数列预测模型两种方法预测结果的差异,以考察其适应性与误差。结果显示,在小样本信息量少的情况下,GM(1,1)预测精度优于BP,但训练样本的精度低于BP;BP的预测结果同隐含层神经元个数密切相关,并存在一最优值;在监测数据较少时,对BP网络进行初始化和预测,每次训练样本的误差都满足要求,但预测值的误差大幅波动。研究表明,监测数据较少时,采用GM(1,1)较合适。通过分析小样本下产生上述结果的原因,提出了在有足够监测数据下,GM(1,1)用于中长期监测的改进方法(GM(1,1)展开或用Verhulst模型)、BP神经网络的改进方法(滑移窗口处理)。