基于预测有效度的IOWA算子模糊组合预测方法

传统的组合预测方法大部分都是针对数字型数据进行的,但在实际生活中,预测对象具有模糊性,常用三角模糊数表征其特征信息;提出了基于模糊信息的一阶预测有效度的概念,并将其作为精度指标,运用诱导有序加权平均(IOWA)算子对三角模糊数信息进行集成,建立了相应的组合预测模型,实例分析表明基于一阶预测有效度的IOWA算子模糊组合预测模型是可行和有效的。     

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.     

一类三角模糊数优性组合预测模型

将三角模糊数序列的三个界点转换为等价的面积型中心、面积型散度、质心三个指标序列.结合广义诱导有序加权平均(GIOWA)算子,选择面积型中心、面积型散度、质心三个指标的L2范数作为最优准则,建立了一类新的三角模糊数优性组合预测模型,并证明了新提出的模型一定是优性组合预测模型.通过实例分析对比,也进一步验证了该模型是有效性...     

基于相似度的三角模糊数组合预测模型

通过对三角模糊数进行研究分析,将三角模糊数用等量信息的三个指标进行替代,采用三角模糊数的相似度作为最优准则的度量指标,并引入广义诱导有序加权平均(GIOWA)算子,建立了基于三角模糊相似度的GIOWA算子的变权系数的三角模糊数组合预测模型.通过数值实验表明,该方法有效可行.     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于联系数贴近度的三角模糊数组合预测模型

针对三角模糊数预测问题，将三角模糊数转化为对应的三元联系数，以三元联系数的贴近度作为最优准则，引入广义加权平均（GOWA）算子，建立了基于三元联系数贴近度的三角模糊数组合预测模型，并证明了该模型为优性组合预测模型。通过实例分析验证了该模型是有效的，能够有效提高预测精度，并对GOWA算子中的参数进行了灵敏度分析。     

基于IOWA算子的我国粮食产量组合预测研究

以1978—2018年我国粮食产量数据为样本,提出基于IOWA算子的组合预测模型,对我国未来5年的粮食产量进行预测。首先建立时间序列ARIMA模型、Holt-winters加法模型和多元线性回归模型,运用3个单项预测模型对1978—2018年间我国的粮食产量进行拟合,然后基于IOWA算子建立以误差平方和最小为准则的组合预测模型,最后运用基于IOWA算子组合预测模型对我国未来5年的粮食产量进行预测。结论表明:基于IOWA算子的组合预测模型具有更高的预测效果,能够使得单项预测模型提供的有效信息得到全面利用,更精准地预测我国粮食产量;我国未来5年的粮食产量还会持续增加,并且每年的平均增长速度为1.3%。     

基于IOWA算子的中国能源消费总量的组合预测

本文利用多元回归模型、指数模型、灰色预测这三种方法分别对我国的能源消费做了预测,然后利用IOWA算子,运用诱导有序加权平均方法,对这三种模型的预测值进行了组合.实证结果显示,基于IOWA算子的组合预测的精度比三种方法各自的精度要高,而且精度比较稳定,达到了预期的水平.在此基础上,运用IOWA算子组合预测了2013年的能源消费总量,以期为相关部门制定能源政策和宏观经济的运行提供有用的参考信息.     

基于区间数距离和ICOWA算子的变权区间组合预测模型

针对预测值为区间数形式,将区间数距离和诱导连续有序加权平均算子ICOWA结合,以ICOWA算子下实际预测序列与组合预测序列的距离最小为准则,构建了变权组合预测模型,并证明了模型的非劣性.最后,通过实例说明了模型能够有效提高预测精度.     

广义区间值Pythagorean三角模糊集成算子及其决策应用

针对连续集合上决策变量的隶属度和非隶属度之和超过1的决策问题,提出区间值Pythagorean三角模糊数,并且分析其广义集成算子的决策应用。首先,引入区间值Pythagorean三角模糊数的概念,得到其运算法则。其次,推导区间值Pythagorean三角模糊数的加权平均算子、加权几何算子、有序加权平均算子、有序加权几何算子、广义有序加权平均算子以及广义有序加权几何算子,介绍它们的相关性质。最后,构建出基于广义区间值Pythagorean三角模糊集成算子的多属性决策模型,并且根据实例对广义有序加权平均算子和广义有序加权几何算子进行稳定性分析,运用图像直观地证明在处理决策问题时前者优于后者,说明决策模型的有效性和可行性。     

诱导有序加权平均的组合预测模型及其应用

有序加权平均算子是近年来发展的在许多领域有着广泛应用的信息融合方法.本文引进诱导有序加权平均算子的概念,并探讨了它的一些性质,然后建立诱导有序加权平均新的组合预测模型,最后给出其在股票价格预测中的应用研究,实例分析结果表明了该方法的有效性.     

旅游客流量预测的模糊时间序列模型--以黄山风景区为例

以黄山风景区1979－2004年的年度旅游人数数据为训练集,运用模糊聚类算法客观地分割论域,然后建立了一种模糊时间序列的加权模型以充分利用观测样本的初始信息。通过对传统的模糊时间序列模型与基于模糊聚类算法的加权模糊时间序列模型两种预测结果均方误差的比较,可见基于模糊聚类算法的加权模糊时间序列模型不但具有更高的预测精度而且也具有更好的稳定性。     

基于多模型集成的铁矿粉库存量预测方法

针对铁矿粉库存量预测问题,结合灰色系统模型与时间序列模型的优点,提出一种基于多模型集成的库存量集成预测方法.根据库存量历史数据,分别建立基于残差修正的等维新息GM(1,1)模型与自回归积分移动平均模型ARIMA(p,d,q);采用基于信息熵的方法对2种模型进行加权集成;分别采用单一模型与集成模型对铁矿粉库存量进行预测.仿真验证结果表明:集成预测模型实现库存量的准确预测,在3种模型中预测结果最好.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

体检指标健康预警的灰色-时序组合模型

对于个体健康体检数据而言，传统的以大样本为基础的数学模型无法满足体检数据的建模需求。基于个体体检数据特征分析，首先构建适用于个体体检指标健康预警的近似非齐次指数序列的改进离散灰色模型。其次，为降低单个模型预测精度的有限性，利用方差倒数法为离散灰色模型和差分自回归移动平均模型赋权重，在模型误差平方和达到最小时取得最佳的权重值。从而将两个模型的预测结果进行组合，实现对健康指标的建模与趋势分析，及时掌握个体健康指标的变化并发现潜在的疾病隐患。预测模型在实验数据集上的相对模拟误差与最优基准模型相比有所下降，表明灰色–时序组合模型具有更高的模拟精度，解决了传统的依据单次体检指标进行静态分析的弊端以及单个模型预测结果的局限性，更加关注个体差异，能有效提升健康预警的效果。     

基于L1范数的出国留学人数组合预测研究

为更准确地探究我国出国留学人数变化趋势,提出基于L1范数的组合预测模型,对出国留学人数进行预测;从多角度选取影响出国留学的因素,利用灰色关联度分析提取影响出国留学人数的典型因 子,进而构建 GM(1,3)模型;建立BP神经网络模型;提出基于L1范数组合预测模型,通过求解线性规划确定单一模型最优权系数;然后,对2006—2019年出国留学人数进行预测;选取GM(1,1)模型为对照模型,通过对照模型以及预测误差评价指标体系比较模型的预测精度,结果表明:基于L1范数的组合预测模型效果优于3个单一模型,有效地提高了预测精度,能够充分利用单一预测模型提供的信息,从而更加准确地预测出国留学人数;未来几年我国出国留学规模仍有较大的发展空间,预测结果可为全球疫情下我国留学相关工作提供参考。