近似非齐次指数序列的离散灰色模型特性研究

针对近似非齐次指数增长规律的数据序列,构建了近似非齐次指数序列的离散灰色模型,给出了该模型的参数求解公式和模型的递推函数。以演绎推理的方法对模型的仿射特性进行研究,分别从数乘变换和平行变换的角度分析了模型中仿射变换前后模型参数、模型模拟预测值的变化特征,在仿射变换条件下可以对原始数据序列进行简化建模。通过仿射变换,可以缩小数据的量级,简化建模过程,而不会改变模型的模拟和预测效果。     

NDGM模型的性质及预测效果分析

在近似非齐次指数序列的离散灰色模型（non-homogenous discrete grey model, NDGM）基础上研究了该模型的参数特性,分析了仿射变换导致的模型参数变化特征,结果表明,变换前后所得预测值仍然具有仿射变换关系,验证了NDGM模型对非齐次指数序列预测的无偏性。通过求解NDGM模型,给出针对一般指数序列的完全拟合表达式,并给出了求解近似指数序列最优拟合表达式的算法步骤。最后以1999年~2008年我国人均国内生产总值为例进行模拟和分析,验证了该方法在离散灰色预测中的可行性。     

改进的离散灰色预测模型

GM（1，1）模型假定序列近似服从指数规律，对于很多非线性序列的模拟出现较大偏差。本文证明了GM（1，1）模型与离散GM（1，1）模型的模拟数据的增长率都是定值，若样本数据具有相等的增长率，则应用离散GM（1，1）模型得到的模拟数据与原始序列相同。本文对离散灰色预测模型进行了改进与拓展，应用最优化方法研究了初始迭代点问题。提出了优化模型的求解算法并应用实例对算法的有效性进行了验证。研究结果表明本文建立的离散灰色拓展预测模型很大程度上提高了模型的模拟精度，能够很好地解决非线性非负序列模拟问题。     

广义离散灰色预测模型及其应用

基于离散灰色预测模型提出了广义离散灰色预测模型(GDGM(1,1)模型),它包含了常见的齐次与非齐次指数序列模型,一次累加抛物型自回归模型,以及一次累加时变线性模型;证明了对四类特殊序列具有模拟完全重合性;研究了在数乘变化下模型参数与模拟值的变化规律以及相对误差的不变性;给出了模型建模步骤及其方法,通过实例对DGM(1,1)模型,NDGM(1,1)模型,CDGM(1,1)模型,TDGM(1,1)模型,NHGM(1,1,k)模型,GM(1,1)直接建模模型以及本文模型的模拟预测效果进行了比较,结果表明GDGM(1,1)模型能够提高预测模拟精度.     

二阶非齐次序列的直接离散模型及灰色预测应用

本文不要白化微分方程和一次累加序列参与建模,提出了二阶非齐次序列的直接离散模型,研究了此模型的模拟预测公式及其性质.经实例验证该模型有可操作性,且有较高的模拟预测精度,同时由该模型递推形式的模拟预测公式出发,采用降阶(二阶降为一阶),化齐次(非齐次转化为齐次)等方法推导出了通项形式的模拟预测公式.该公式直观展示了适用本模型的序列基本形式:指数型序列、线性型序列、抛物线型序列、三次曲线型序列四类基本序列及两个不同底数的指数序列与线性序列三者的和差组合、一个指数序列与抛物线型序列的和差组合、一个指数序列与线性型序列的和差组合、线性型序列与指数型序列的乘积组合序列再与另一线性型序列的和差组合四类组合序列.从理论上证明了当序列严格遵循这些基本形式时,本模型能实现完全模拟,从而近似遵循这些基本形式时,必然有较高的模拟预测精度.     

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.     

二次时变参数离散灰色模型

本文基于离散灰色模型模拟值增长率恒定的原因,通过引入二次时间项来构造了 二次时变参数离散灰色模型(quadratic time-varying parameters discrete grey model,简称为QDGM(1,1)模型).并且研究了该模型的性质.结果说明, QDGM(1,1)模型具 有白指数规律重合性,线性规律重合性,二次规律重合性,伸缩变换一致性.应用最优化方法研究QDGM(1,1)模型迭代基值问题,建立优化模型并提出求解算法.最后叙述了应用 QDGM(1,1)模型建模和预测的步骤,并通过实例比较了QDGM(1,1)模型与原离散灰色 模型及其非齐次离散模型和线性时变参数离散灰色模型的预测能力,最终结果表明本文 提出的QDGM(1,1)模型具有更高的模拟和预测精度.     

二阶非齐次序列的直接离散模型及灰色预测应用

本文不要白化微分方程和一次累加序列参与建模，提出了二阶非齐次序列的直接离散模型，研究了此模型的模拟预测公式及其性质.经实例验证该模型有可操作性，且有较高的模拟预测精度，同时由该模型递推形式的模拟预测公式出发，采用降阶（二阶降为一阶），化齐次（非齐次转化为齐次）等方法推导出了通项形式的模拟预测公式.该公式直观展示了适用本模型的序列基本形式：指数型序列、线性型序列、抛物线型序列、三次曲线型序列四类基本序列及两个不同底数的指数序列与线性序列三者的和差组合、一个指数序列与抛物线型序列的和差组合、一个指数序列与线性型序列的和差组合、线性型序列与指数型序列的乘积组合序列再与另一线性型序列的和差组合四类组合序列.从理论上证明了当序列严格遵循这些基本形式时，本模型能实现完全模拟，从而近似遵循这些基本形式时，必然有较高的模拟预测精度.     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

灰色离散Verhulst模型

针对传统灰色Verhulst模型适应性不强的情况,借鉴离散化思想,通过对原始数据序列进行倒数生成,建立了灰色离散Verhulst模型。灰色离散Verhulst模型充分考虑了数据序列的准指数规律,实现了从连续形式向离散形式的转变,消除了传统灰色Verhulst模型由微分方程直接跳到差分方程所产生的误差。同时给出了两种初始条件下的灰色离散Verhulst模型的预测公式,有效地解决了传统灰色Verhulst模型预测稳定性差的问题。实例分析表明,灰色离散Verhulst模型能够显著提高模拟和预测效果。     

离散GM(1,1)模型与灰色预测模型建模机理

GM(1,1)模型中,从离散形式到白化形式的转变,以及GM(1,1)模型预测稳定性问题,一直困扰着灰色系统理论的研究者.本文以此为研究出发点,从由离散到离散的角度解决这一理论问题,建立了离散灰色预测模型(称DGM(1,1)模型),并对其与原GM(1,1)模型的关系做了深入研究,找出了原模型预测不稳定的原因,利用麦克劳林公式展开对这些原因做全面解释,最后用纯指数序列验证DGM(1,1)模型预测的无偏性,研究结果表明,可以将本文建立的DGM(1,1)模型作为灰色预测模型的精确形式,而原模型作为近似形式加以使用.     

近似非齐次指数数据的灰色建模方法与模型

传统GM(1,1)建模是用齐次的指数序列来拟合原始数据,对近似非齐次指数序列进行建模时会有较大的偏差,而现实中存在大量的近似非齐次指数的数据序列.根据传统灰色GM(1,1)建模机制,提出了一个用非齐次指数序列来拟合原始数据的灰色模型,给出了模型参数的最小二乘解,并给出了模型时间响应函数的表达式. 最后,通过实验验证了新模型的拟合和预测精度实验结果显示,新模型比传统GM(1,1)模型具有更好的拟合和预测精度.     

近非齐次指数序列GM(1,1)模型灰导数的优化

从原始序列为非齐次指数律的GM(1,1)的灰导数出发,利用向前差商和向后差商的加权平均值作为GM(1,1)的灰导数白化值, 并给出了加权系数λ的具体表达式,进而建立了优化灰导数后适用于原始序列为非齐次指数律的GM(1,1)模型,且证明了此模型具有白指数律重合性,给出了求 参数的方法及表达式,并通过实例对比验证了此模型具有更高的精度,并且对于严格的非齐次指数序列能够完全的拟合.     

基于灰色相关向量机的故障预测模型

针对样本数据量较小条件下的故障预测问题,提出了一种灰色相关向量机（relevance vector machine, RVM）故障预测模型。在模型的训练阶段,根据特征数据序列建立其离散灰色模型（discrete grey model, DGM）,以DGM的预测值作为输入、原始数据序列作为输出,训练得到RVM回归预测模型;在模型的预测阶段,由建立的DGM和RVM回归预测模型组合得到灰色RVM故障预测模型,并通过引入新陈代谢过程,不断更新数据中的信息。实验结果表明,模型的预测性能优于传统的灰色预测模型。     

基于微分方程数值解的灰色预测建模

灰色预测建模方法较多,预测精度主要取决于模型参数的估计,本文给出一种新的思想,将已知的观测值看作是微分方程在不同结点(时间)处的近似解,利用微分方程数值解法推算公式,使用最小二乘法原理,让其局部截断误差的平方和最小来估计未知参数,进而建立灰色预测模型。实例表明,本方法预测精度高。     

反向累加生成的特性及GOM(1,1)模型的优化

针对反向累加序列的生成与建模问题, 分析了反向累加生成的准光滑性和准指数规律, 进而给出反向累加生成序列的灰建模条件. 证明了基于反向累加生成的齐次与非齐次离散指数函数之间的关系, 并经过理论推导得到了GOM(1,1)模型的最优背景值. 结果表明, 优化的背景值与GOM(1,1)模型的时间响应函数具有较好的一致性, 从而可以在理论上有效提高传统模型的精度. 最后通过实例验证了优化模型的实用性与有效性.     

一类离散灰色模型及其预测效果研究

GM(1,1)模型是灰色系统理论中最重要的内容之一,针对该模型在预测时出现的预测精度问题进行讨论,进而建立了新的离散灰色模型:始点固定离散灰色模型(SDGM)和终点固定离散灰色模型(EDGM),运用大量的数据模拟和预测,将新建立的2个模型和GM(1,1)模型的进行效果比较,发现新建立的2个模型均比GM(1,1)模型有更高的模拟精度和预测精度.     

GM(1,1)模型的背景值构造方法和应用(Ⅰ)

灰色 GM( 1 ,1 )模型对高增长指数序列拟合常常产生滞后误差 ,作者认为 GM( 1 ,1 )模型中背景值构造方法是影响其精度和适应性的关键因素 .从此角度出发 ,对背景值构造方法进行研究 ,重构了一个表达形式简洁、计算简单、适应性极强的背景值计算公式 .新的背景值计算公式的一个显著特点是它使 GM( 1 ,1 )模型具有对建模结果进行优化的能力 ,能获得最佳的拟合和预测精度 .它使 GM( 1 ,1 )模型同时适应于低增长指数序列和高增长指数序列建模 ,它是提高 GM( 1 ,1 )模型精度和适应性的关键技术 .算例结果的精度充分说明了它的有效性 .