基于Theil不等系数的IOWGA算子组合预测模型

将Theil不等系数和IOWGA算子相结合,提出一种基于Theil不等系数的IOWGA算子最优组合预测模型,并定义了优性组合预测和非劣性组合预测的概念,最后通过对税收收入进行组合预测说明该组合预测方法的有效性和合理性,且该模型存在优性组合预测.     

基于向量夹角余弦的几何平均组合预测研究

加权几何平均组合预测为一种非线性的组合预测方法．提出基于向量夹角余弦的加权几何平均的组合预测模型,针对该模型定义了优性组合预测、预测方法优超和组合预测冗余度等新的概念;探讨了非劣性组合预测和优性组合预测存在的充分条件;给出了一个冗余预测方法出现的判定定理．     

组合预测模型在北京市汽车拥有量预测中的应用

将单项预测模型有机地结合,从相关性角度出发,各单项模型在各时点的权重系数与该时点的预测精度有关,得到了基于Theil不等系数的IOWGA算子组合模型,克服了传统组合预测的缺陷.介绍了相应的优性组合预测的概念,并利用该组合模型对北京市家用汽车拥有量进行预测,5种误差指标值均较低,说明了本文方法的有效性.     

IGOWC-OWGA算子及其在区间组合预测中的应用

针对C-OWGA(continuous ordered weighted geometric averaging)算子只能集结单一区间数据的不足,提出一类连续区间数集结新算子.在C-OWGA基础上引入IGOWA(induced generalized ordered weighted averaging)算子,构造出诱导广义加权的C-OWGA(induced generalized ordered weighted continuous ordered weighted geometric averaging,即IGOWC-OWGA)算子,以向量夹角余弦为相关性准则,构建一个连续区间组合预测新模型.最后经实例验证表明该新方法在提高预测精度方面具有显著效果.     

基于IOWHA算子和倒数灰关联度的组合预测模型及其应用

将诱导有序加权调和平均(IOWHA)算子和倒数灰关联度相结合,提出了基于IOWHA算子和倒数灰关联度的组合预测模型,同时定义了优性组合预测和非劣性组合预测的概念,并将该组合预测模型应用到税收收入预测中,验证了组合预测模型的合理性和有效性,并说明了优性组合预测的存在性.     

基于指数支撑度的IGOWLA算子的最优组合预测模型

在广义诱导有序加权对数平均算子(IGOWLA算子)的基础上,引入指数支撑度以及构建了一种基于支撑度的IGOWLA算子的最优组合预测模型,并对该模型的预测精度、优性及非劣性给出定义.实例分析表明,该组合预测模型优于传统的组合预测模型,能够充分利用各个单项预测方法的信息并能提高预测精度,是一种优性组合预测.     

向量夹角余弦的IOWHA算子的变权系数区间型组合预测模型

客观世界中人们会用区间数来描述不确定和不完备的信息,由此开展区间型的组合预测方法的研究很有意义.将区间数的左、右端点分别视作时间序列,以向量夹角余弦为准则,结合IOWHA信息集结算子,借鉴实数型组合预测的思想,将实际值区间数和变权系数组合预测值区间数的左、右端点序列分别建立最优组合预测模型,最后引入偏好系数转换成单目标最优组合预测模型而实现求解.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于对数灰关联度的IGOWLA算子最优组合预测模型

在对数灰关联度和诱导广义有序加权对数平均算子(IGOWLA)等概念的基础上,构建了基于对数灰关联度的IGOWLA算子的最优组合预测模型,并引入组合预测模型的优性及非劣性定义.实例计算结果表明,提出的方法确为一种优性组合预测,能够有效地提高预测精度.     

基于对数误差的IOWGA算子的三角模糊数变权组合预测模型

本文针对三角模糊数描述的复杂系统的预测问题,提出了一种基于对数误差的IOWGA算子的三角模糊数变权组合预测模型.首先将三角模糊数以面积型中心、面积型散度、质心三个指标进行描述,然后引入诱导有序加权几何平均算子(IOWGA)算子,并以面积型中心、面积型散度、质心三个指标的对数误差为最优准则,通过引入偏好系数将其转换为可变权的组合预测模型,最后通过实例分析进行对比,结果表明该模型能够有效提高预测精度.