离散GM(1,1)模型的特性与优化

GM(1,1)模型在对纯指数序列进行拟合时通常仍然存在偏差,对原始序列和发展系数有太多限制.离散GM(1,1)模型与原模型的很多性质很相似,可以看成是原模型的精确形式,而且对发展系数和原始序列没有非负限制,因此对于离散GM(1,1)模型的特性研究就极为重要.文章对离散模型模拟数据增长率特点、对指数序列的拟合以及数乘变换下的参数特性进行了理论证明.研究表明离散GM(1,1)模型可以完全拟合指数序列.数乘变换不改变原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.文章提出了分段修正离散GM(1,1)模型并对建模机理进行了证明.应用实例表明了该模型能够显著提高模拟精度.     

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.     

基于级比优化的广义GM(1,1)预测模型

从GM(1,1)模型差分方程的角度推导出差分GM(1,1)模型及其还原时间响应函数,并与经典GM(1,1)模型(微分GM(1,1)模型)及其还原时间响应函数进行类比分析,得出两者具有同构性,其唯一差别为级比的结论.再由两者的同构性提出了一个广义GM(1,1)预测模型,新模型具有一般性,能有效概括差分方程与微分方程模型,极大提取了原始序列的灰信息;另一方面,与差分GM(1,1)模型及微分GM(1,1)模型的级比固定性不同,广义GM(1,1)模型的级比具有可优化性,通过非线性最小二乘优化方法可得出最优级比,进而从级比的角度优化了GM(1,1)模型,拓展了灰色系统理论.最后通过一个实例充分反映了新模型的上述优点.     

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.     

新信息离散GM(1,1)模型及其特性研究

研究了新信息离散GM(1,1)模型(NDGM)的参数特性及其对等比序列的拟合性质.提出了分段修正新信息离散GM(1,1)模型(SNDGM)并对其建模机理进行研究.证明了序列初始值不影响发展系数值,以此为依据对SNDGM模型进行拓展,解决了原始数据序列为分段等比数据情况下的拟合精度问题.结果表明NDGM模型能够完全拟合等比序列,SNDGM模型能够完全拟合分段等比序列.     

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。     

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.     

递减序列的灰色建模方法

灰色模型的建模思想是通过灰色生成或序列算子的作用弱化系统的随机性,利用离散的生成序列建立连续或离散的动态微分方程,其中GM(1,1)模型是其核心模型。针对递减序列的建模问题,本文给出了两种模型模拟方法,一种是基于简单均值生成的GOM(1,1)模型,一种是基于反向始点零化的GM(1,1)模型,后一种模型还利用平移量考虑了模型模拟精度,并证明了模型的模拟序列没有放大还原误差。两种模型建模方法的共同点是实现了递减序列的同向模拟,消除了GM(1,1)模型拟合递减序列时,由于其累加生成是递增序列而出现异向拟合的不合理建模误差,最后算例也说明了该建模方法的可操作性和有效性。     

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.     

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.     

Optimization of Background Value in GM(1,1) Model

This article has proved that discrete function with homogeneous exponential law will become discrete function with non-homogeneous exponential law if the function with homogeneous exponential law accumulates, while discrete function with homogeneous exponential law is generated by inversely accumulating the discrete function with non-homogeneous exponential law. Based on the error analysis of the model GM(1,1), researchers use the discrete function with non-homogeneous exponential law to fit the accumulated sequence in order to propose a new method for optimizing background value in model GM(1,1). There are plenty of data simulations and models. And it shows that the new model broke through restrictions of using coefficient, and it still improved its matching and prediction precision.     

GM(1,1)模型初始条件和初始点的优化

在对GM(1,1)模型的初始条件进行优化时,由于优化的目标函数为误差平方和最小,而模型的检验标准为平均相对误差最小,两个准则的不一致性导致优化效果不理想.本文以相对误差平方和最小为目标优化GM(1,1)模型,分别对初始条件和初始点进行优化,给出优化的计算公式,并证明在原始序列相对误差平方和最小的准则下,初始条件优化和初始点优化是统一的.实例表明运用优化公式与数值最优解计算得到的模型平均相对误差非常接近,且运用优化公式比数值解求解更方便.     

基于残差递推的自适应GM(1,1)模型

传统GM(1,1)模型存在不能预测波形序列的问题。在GM(1,1)模型和残差GM(1,1)模式的基础上引入了新陈代谢数组,经重新推导后得到递推GM(1,1)模型和残差递推GM(1,1)模型,将前者模型的解与后者取对数后的模型的解反相相加后,得到自适应GM(1,1)模型的解。以实例数据对上述4种方法进行仿真和比较,结果表明,自适应GM(1,1)模型较其他方法有更好的预测效果,从根本上解决了GM(1,1)模型对波形序列的预测问题。     

灰色GMP(1,1,N)模型及其在冰凌灾害风险预测中的应用

在加权最小二乘框架下构建了含时间多项式项的灰色GMP(1,1,N)模型,该模型既适用于小样本单调序列又适用于波动序列,论证了均方误差最小准则、均方相对误差最小准则与平均绝对百分误差最小准则下的GM(1,1)、NGM(1,1,k)和GM(1,1,t~α)模型均是GMP(1,1,N)模型的特殊形式,将GMP(1,1,N)模型应用于黄河宁蒙河段冰凌灾害风险预测,结果表明2015-2016年的风险预测结果符合实际情况,模型能够识别风险波动变化规律.为不同准则下灰色预测新模型的构建提供了新思路,具有重要的理论意义和工程应用前景.     

估计GM(1,1)模型中参数的线性规划方法

估计GM(1,1)模型中的参数通常采用最小二乘准则,而在模型精度检验时又常采用平均相对误差。在平均相对误差达到最小准则或最大相对误差达到最小准则时,分别给出了估计GM(1,1)模型中参数的线性规划方法,并通过实例给出了不同极小化准则下数值结果的对比。数值结果表明,采用平均相对误差达到最小准则和最大相对误差达到最小准则比通常采用的最小二乘准则更合理,效果更好。     

基于级差格式的GM(2,1)模型参数估计优化研究

参数估计的优化是提高灰色模型精度的一个重要途径,级差格式的提出避免了背景值的复杂构造.现有的GM(2,1)模型计算较为复杂,且参数估计基于目标函数是原始序列一次差分序列的拟合误差平方和最小化来确定,同时,参数估计中微分到差分的转换以及背景值构造存在较大误差.针对这些问题,本文基于GM(2,1)模型微分方程的时间响应函数推导了级差格式,给出了最小二乘法的参数估计方法,然后基于原始序列误差平方和最小的目标函数,优化了模型的两个初始条件,同时,推导出GM(1,1)回归模型和GM(1,1,exp)模型是该模型的特殊情况,最后通过实例比较本文优化方法与现有方法估计的GM(2,1)模型拟合精度与预测精度.实例结果显示,本文的优化方法估计的GM(2,1)模型具有较好的效果.     

基于灰色组合模型的河南省粮食产量预测

一元线性回归有直线趋势,而GM(1,1)能较好地模拟指数变化的趋势。但是,如果原始序列整体上是直线趋势,在少数点上,数据模拟值和回归直线偏离较大时,线性函数已不能很好地预测数据序列的变化了。对于此类问题,将数据分为跳变点(即模拟值偏离回归直线较大)和非跳变点数据,并将跳变点又分为上、下跳变点,借鉴灰色灾变预测原理,用GM(1,1)模型预测跳变点数据,而对其他非跳变点使用去掉跳变点后的数据形成的新的线性回归方程进行预测。通过对河南省粮食产量的预测,结果表明该方法很好地克服了GM(1,1)模型和线性回归模型的缺陷,具有较好的实际应用价值。