基于优化的GM(1,1)模型在我国人口预测中的应用

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,摒弃了传统GM(1,1)把原始序列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,以我国人口总数的预测为例,进行两类预测模型的模拟精度比较,并进行了预测,得到优化的GM(1,1)模型进行预测得到的精度较高.     

无偏GM(1,1)模型的动态特性分析

传统GM(1,1)模型是最基本的灰色预测模型,无偏GM(1,1)模型是在传统GM(1,1)模型基础上的一种改进,它消除了传统GM(1,1)模型本身所固有的偏差.对无偏GM(1,1)模型的动态行为特性进行分析,并与传统GM(1,1)模型进行对比,明确了无偏GM(1,1)模型特性和适用条件.     

非等间距GM（1，1）模型背景值的改进及其应用

根据模型的指数特性以及积分特点,以数据曲线在每个区间[k_(i-1),k_i]与坐标轴所围成的梯形面积作为模型背景值z~(1)(k_i)与z~(1)(k_(i-1))的差值,并对其进行修正,从而达到对传统非等间距GM(1,1)模型进行优化的目的.最后采用实例进行验证,并将结果同其他文献的拟合精度进行对比,从而验证算法的有效性与可行性.     

尾部残差修正GM(1,1)模型在煤矿百万吨死亡率预测中的应用

 煤矿安全是当前安全生产工作的重中之重。为掌握煤矿安全生产情况,降低事故损失,保证中国煤炭工业健康、快速、可持续发展,本文在传统GM(1,1)模型的基础上,建立了关于煤矿百万吨死亡率的尾部残差修正GM(1,1)模型。将该方法应用于2001—2011年全国煤矿百万吨死亡率分析,并以此为基础对2012、2013年的煤矿百万吨死亡率进行预测,与传统GM(1,1)模型的预测结果进行对比分析。研究结果表明,传统的GM(1,1)模型精度较差,最大误差达到14.35%,经修正的尾部残差GM(1,1)模型预测结果可靠,实际值与预测值平均相对误差1.14%,最大相对误差3.81%,各项指标均明显优于传统的GM(1,1)预测模型,为政府、矿山企业制定安全生产目标、政策以及建立科学高效的安全管理机制提供理论依据。     

GM(1,1)模型分析股价趋势

用GM (1,1)等维新陈代谢模型来分析股价短期趋势 ,并根据GM(1,1)等维新陈代谢模型显示的趋势变化 ,指出了买入股票的最佳时机     

GM(1,1)模型的性质及改进

在对GM(1,1)模型进行分析的基础上,经过理论推导,得出了初始数对预测没有影响的结论,对GM(1,1)模型进行改进,给出了GM(1,1)模型Ⅰ。当向原始序列添加相同的数字时,预测值将更改,由此提出了GM(1,1)模型Ⅱ,利用粒子群算法,得到最佳的增加量。仿真结果表明,GM(1,1)模型Ⅰ和模型Ⅱ具有较高的精度。     

基于缓冲算子的高速公路经济效益后评价模型研究

直接应用GM(1,1)模型对高速公路的经济效益进行后评价可能得到病态的评价结论;本文通过缓冲算子技术对建模原始数据进行预处理,消除冲击扰动对GM(1,1)模型预测结果的影响,在此基础上构建了高速公路经济效益后评价模型^s(1)(k+1)=(s(0)(1)-b/a)×e-ak+b/a;将该模型应用于渝长高速公路经济效益的后评价,得到了高速公路的修建对地方经济发展具有拉动效应的合理结论;研究成果对丰富与完善后评价建模方法,促进灰色模型与实际问题的有效对接具有重要作用。     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

煤炭海运总量的灰色预测

基于灰色数学理论,通过常规全数据GM(1,1)模型及等维新陈代谢GM(1,1)模型分别对煤炭海运总量进行建模并预测,并与传统的最小二乘曲线拟合所得结果进行比较,结果表明,运用灰色理论所建立的等维GM(1,1)进行预测是可行的,而且精度较传统方法高。     

非线性GM(1,1)模型在交通量数据分析中的应用

根据交通量数据变化的特点,采用非线性GM(1,1)模型对其进行预测.通过实例分析,证明NLGM(1,1)模型比传统GM(1,1)模型精度更高、误差更小,但对未来数据预测精度稍差.所以,该预测模型具有一定的应用价值.