基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.     

混沌粒子群算法对GM(1,1)模型参数的优化

鉴于基本粒子群算法存在初始化过程的随机性以及容易陷入局部最优解的不足,对基本粒子群算法进行改进.利用混沌运动的遍历性,产生大量初始群体,从中择优出初始群体,并在粒子群优化算法执行的过程中,对当前粒子个体产生混沌扰动,以使解跳出局部极值区间.用混沌粒子群算法对综合GM(1,1)参数优化模型的参数进行优化,认为利用优化所得参数值进行预测能取得更好的结果.     

基于粒子群优化算法的灰色模型在电力负荷预测中的应用

传统的灰色预测模型GM(1,1)在预测增长速度较快的电力负荷变化时,预测精度会大幅下降。针对GM(1,1)的这一局限性,本文引入了粒子群优化算法与传统的GM(1,1)相结合来求解灰色模型中的参数。通过对三组不同电力负荷的实例仿真,证明该模型在预测增长速度较快的电力负荷时具有较高的预测精度。     

GM(1,1)模型的性质及改进

在对GM(1,1)模型进行分析的基础上,经过理论推导,得出了初始数对预测没有影响的结论,对GM(1,1)模型进行改进,给出了GM(1,1)模型Ⅰ。当向原始序列添加相同的数字时,预测值将更改,由此提出了GM(1,1)模型Ⅱ,利用粒子群算法,得到最佳的增加量。仿真结果表明,GM(1,1)模型Ⅰ和模型Ⅱ具有较高的精度。     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于灰色理论的新陈代谢自适应多参数预测方法

针对少数据、小样本序列的预测问题,在分析常规灰色GM(1,1)预测模型缺点的基础上提出了优化的算法模型,将优化后的预测方法推广为多参数预测.首先,建立了利用最新量测量进行初始化的预测模型,然后通过新陈代谢的方法利用新信息代替旧信息实现等维的模型预测,同时引入衰减记忆最小二乘法对新旧信息进行加权处理,背景值以归一化的平均相对误差作为精度检验标准,采用粒子群算法自适应寻优.最后,通过对某型惯性测量单元(IMU)的标定参数稳定性进行预测,预测结果平均相对误差降低了6%~58%,表明预测方法可以应用于IMU标定参数的长期稳定性预测.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

改进GM（1,1）模型在营养状况预测中的应用

为了提高灰色GM（1,1）预测模型的拟合和预测精度,通过初值和背景值的修正,给出了改进灰色GM（1,1）预测模型,并利用粒子群优化算法给出了模型相关参数的优化.根据中国学生体质与健康调研报告中4种营养性疾病检出率的数据资料,就10～12岁城乡男女的超重和肥胖数据,建立改进GM（1,1）预测模型对2010年和2015年的...     

基于分数阶季节性灰色模型的交通流预测

基于城市道路短时交通流数据的季节性特征和灰色建模的新信息优先原则,提出了一类新的分数阶季节性GM(1,1)预测模型。在GM(1,1)模型的基础上,首先,利用分数阶截断累加生成算子弱化了数据的季节波动性和随机性特征;然后采用粒子群优化算法寻求最佳阶数;最后,将新模型应用于江苏省南通市区的一主干道路进行模拟仿真。数值计算结果表明:新模型的平均绝对值百分比拟合误差为8.126 0%、预测误差为7.621 6%,均优于季节性滚动GM(1,1)模型、分数阶GM(1,1)模型和季节性离散GM(1,1)模型。     

微分进化算法在单桩极限承载力灰色优化预测中的应用

文章利用微分进化算法对单桩极限承载力的灰色GM(1,1)模型参数进行优化求解, 提出DE-GM(1,1)优化预测模型;基于MATLAB环境编写了计算程序, 结合工程实例, 对试桩静载荷试验实测数据进行了拟合分析.结果表明, 与指数曲线模型和GM(1,1)模型相比, DE-GM(1,1)模型能够更好地拟合实测数据, 预测精度进一步提高;微分进化算法在GM(1,1)模型参数优化过程中表现出求解速度快、计算精度和自动化程度高等特点.     

无偏GM(1,1)模型的动态特性分析

传统GM(1,1)模型是最基本的灰色预测模型,无偏GM(1,1)模型是在传统GM(1,1)模型基础上的一种改进,它消除了传统GM(1,1)模型本身所固有的偏差.对无偏GM(1,1)模型的动态行为特性进行分析,并与传统GM(1,1)模型进行对比,明确了无偏GM(1,1)模型特性和适用条件.     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.     

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.     

具有白指数律重合性的GM(1,1)的建模方法

利用灰色模型的级差格式的概念,找到了GM（1,1）模型的背景函数,从理论上说明了GM（1,1）模型与GM（1,1）逐步优化直接建模加速方法两者的关系,GM（1,1）逐步优化直接建模加速方法是一个近似精确级差格式,而原GM（1,1）模型在模型曲线接近直线时是一近似精确级差格式。以此为基础,并通过实例说明了GM（1,1）模型的有效性,及累加生成可降低误差的影响,增强规律性。     

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。     

动态多变量灰色模型在危岩变形预测中的应用

基于对传统的单点灰色模型的扩展,考虑多个点之间相互影响和关联,采用自适应MGM(1,n)模型,以 Matlab 语言编程,实现对变形体上相互关联的多点变形预测模型的建模,并运用该模型对望霞危岩体变形进行预测。结果表明：自适应 MGM(1,n)模型预测值与实测值吻合较好,比传统 GM(1,1)模型预测的危岩变形趋势效果较好、精度较高,评价结果具有更高的准确性。     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

一种新的灰色无偏GM(1,1)模型建模方法

通过分析GM（1，1）白化方程的解析表达式，建立了无偏的GM（1，1）模型，给出了估计模型参数的新方法。该模型具有白指数律重合性，它突破了|α|较大对GM（1，1）模型不能应用的禁区，提高了模型的实用性和模型的精度。     

基于响应不变法的GM(1,1)模型

GM(1,1)模型的建模过程是由白化微分方程离散化得到差分方程,再由该差分方程估计模型参数.由于离散化引入了误差导致白化微分方程和差分方程的响应发生了变化.基于响应不变法,提出了一种新的GM(1,1)模型.该模型具有白指数重合律,它突破了|a|较大时GM(1,1)模型不能应用的禁区,拓广了GM(1,1)模型的应用范围.