非等间隔GM(1,1)幂模型及应用

GM(1,1)幂模型是灰色Verhulst模型的推广.在灰色Verhulst模型和等间隔GM(1,1)幂模型基础上提出了非等间隔GM(1,1)幂模型,并对模型进行求解.同时讨论了GM(1,1)幂模型曲线形状和幂指数以及发展系数之间的关系,研究了非等间隔GM(1,1)幂模型的参数空间.将平均相对误差看成幂指数的函数,根据序列形状判断幂指数的范围,利用粒子群算法求解幂指数,克服了灰色Verhulst模型的缺陷.最后实例表明:GM(1,1)幂模型建模精度高于灰色Verhulst模型,该方法具有重要的理论意义.     

GM(1,1)幂模型的派生模型

为了进一步完善灰色幂模型体系, 分析了经典GM(1,1)模型和GM(1,1)幂模型之间的变换关系, 在GM(1,1)幂模型的定义型和白化型的基础上, 推导了GM(1,1,x⁽²⁾)幂模型、GM(1,1,x⁽¹⁾)幂模型、GM(1,1,b)幂模型、GM(1,1,exp)幂模型和GM(1,1,C)幂模型五种派生型GM(1,1)幂模型, 构建了GM(1,1)幂模型群. 结果表明, GM(1,1)幂模型与GM(1,1)模型的时间响应函数在本质上是一致的, 不同的GM(1,1)幂模型派生模型在结构、内涵、解析式、功能方面存在一定的区别, 体现了灰色系统解非唯一性原理. 在实际应用中, 可以依据一定的准则, 在默认解群中找出一个最合适的白化解.     

GM(1，1)模型的精确解法

通过分析GM(1，1)模型白化形式微分方程的解析表达式，导出了求解GM(1，1)的精确离散化模型。讨论了灰色序列初始点取值对预测效果的影响，并给出了相应的解决方法。该方法对于解决其他推广形式的灰色模型具有普遍的应用价值。给出了一种推广GM(1，1)模型的精确离散化形式。     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.     

含时间幂次项的灰色GM(1,1,tα)模型及其应用

针对GM(1, 1)模型应用的局限性, 根据实际应用的需要, 利用灰色建模思想构建了含时间幂次项的灰色GM(1,1,t^α) 模型, 对该模型的建模过程、参数估计、时间响应式进行了研究, 并讨论了α几种特殊取值下的该模型的性质、适用范围、时间响应式, 并利用GM(1,1,t²) 对某沿海高速的软土地基沉降进行了拟合与预测, 获得了较高的拟合与预测精度, 通过实际应用检验了所构建的模型的有效性.     

GM(1,1)幂模型的病态性

针对GM(1,1)幂模型参数辨识过程中可能出现的病态性问题, 首先基于矩阵求逆的条件数分析灰色模型病态程度的衡量方法, 然后按照GM(1,1)幂模型的背景值和幂指数的不同取值, 分三种情形讨论了数据矩阵求逆条件数的取值范围, 在此基础上总结影响GM(1,1)幂模型病态性的主要因素, 并通过实例加以验证. 结果表明, 在部分情形下GM(1,1)幂模型的数据矩阵求逆不存在病态性, 但在部分情形下可能出现数据矩阵求逆的病态性, 其中, 背景值和幂指数是影响模型病态性的直接因素.     

无偏灰色GM(1,1)模型的直接建模法

针对灰色GM(1,1)模型的建模方法存在偏差,模型不满足协调性条件,不具有线性变换一致性,且通过累加生成建模时,原始序列第一点信息没有起作用等问题,提出了GM(1,1)的3种无偏灰微分方程形式,给出了无偏GM(1,1)的直接建模法,证明了新方法不仅具有白指数律重合性,而且具有线性变换一致性。实例分析表明,新方法提高了建模的精度,扩大了模型的适用范围,充分利用了原始序列的第一点信息。     

单增序列灰色GM(1,1)模型解之间的误差分析

针对单调增长原始数据序列, 文章在理论上讨论白化型与内涵型GM(1,1)(grey forecasting model)模型解之间的相对误差. 在推导出两个模型解之间的相对误差上界表达式的基础上, 作者研究了相对误差上界函数的性质, 讨论了相对误差一致上界关于原始数据序列长度n的单调性. 结果表明当发展系数位于[-1/(n+1),0]内时, 白化型与内涵型GM(1,1)模型解之间的相对误差上界是0.9%,可以合理使用白化模型代替内涵模型; 而发展系数在区间[-2/(n+1),0]内时, 这两个模型解之间的相对误差可能达到8.64%, 此时白化模型代替内涵模型须较谨慎地使用.     

融合自忆性原理的优化GM(1,1)幂模型构建及应用

针对因发展变化受众多因素影响而具有饱和增长趋势或单峰特性的原始波动序列,为了提高预测精度,以灰色GM(1,1)幂模型为基础,构建了自忆性原理与优化GM(1,1)幂模型的耦合预测模型,用动力系统自忆性原理来克服传统灰色模型对初值比较敏感的弱点。结果表明,新构建模型能够充分利用系统的多个历史时次资料,模拟和预测精度都高于传统优化GM(1,1)幂模型,进一步拓展了灰色模型的应用范围。最后,以我国高中升学率的数据为例验证了所构建模型的优越性和有效性。     

优化的GM(1,1)模型及其在农村劳动力转移预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点。在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数C,摈弃了传统GM(1,1)把原始序列中X(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型。最后,以河南省农村劳动力转移预测为例,进行两类预测模型的模拟精度比较,并进行了预测。表1,参7。     

含季节性虚拟变量的GM(1,1)模型及其应用

针对GM（1，1）模型难以准确预测季节性时间序列的问题，本文将季节性虚拟变量作为灰作用量引入传统GM（1，1）模型中，提出了含季节性虚拟变量的GM（1，1）模型（简记为GMSD（1，1））.在GMSD（1，1）模型定义型和白化型的基础上，推导了GMSD（1，1，x⁽¹⁾）模型、GMSD（1，1，x⁽⁰⁾）模型、GMSD（1，1，b）模型、GMSD（1，1，exp）模型、GMSD（1，1，C）模型等五种派生型GMSD（1，1）模型，构建了季节性虚拟变量GM（1，1）模型群.同时利用粒子群算法对GMSD（1，1）模型和GMSD（1，1，exp）模型中的解析式进行最优化求解.最后以中国水力发电量的季度数据为例，验证了含季节性虚拟变量的GM（1，1）模型及其派生模型的有效性和优越性.结果表明：相较于传统GM（1，1）模型，引入季节性虚拟变量的GMSD（1，1）模型及其派生模型更能准确地描述系统特征序列的季节性波动和周期性变化特征.     

分数阶反向累加Verhulst模型

本文提出采用反向累加的方式对原始数据进行处理,并在整数阶的基础上将其推广到分数阶领域,以分数阶反向累加生成算子和分数阶反向累减生成算子为基础,建立分数阶反向累加Verhulst模型,并应用实例与分数阶反向累加GM(1,1)模型作对比,检验模型模拟误差.相关结果显示,相较于传统Verhulst模型与分数阶反向累加GM(1,1)模型,分数阶反向累加Verhulst模型的数据拟合精度较高.     

灰色多变量GM(1,N)幂模型及其应用

针对多变量少数据的系统建模问题,提出了灰色多变量GM（1,N）幂模型及其派生模型GM（1,N,x^（1））幂模型,给出了其参数估计算式和近似时间响应式,在此基础上,分两种情况讨论了模型的参数优化方法,并通过数值模拟和应用实例验证了新模型的有效性. 结果表明：传统的GM（1,N）模型是GM（1,N）幂模型的特殊形式,GM（1,N）幂模型能够更好地描述系统特征行为序列与其影响因素序列的非线性关系,从而有效地提高传统灰色多变量系统建模的精度.     

基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模

CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。