优化背景值的GM(1,1)

为了提高模型的拟合精度,提出了一种新的改进GM(1,1)模型.从优化GM(1,1)模型背景值的定义出发,推导出利用原始数据生成的背景值公式,将其与经过优化的初始条件结合,构造出改进的GM(1,1)模型.此模型将在很大程度上消除由于背景值的选取所产生的误差.对该模型进行数据模拟,通过与原模型中数据的比较、分析,验证出新的优化模型具有更好的模拟精度,说明该模型的有效性,可以将其应用于对其它数据的拟合预测.     

基于Newton-Cotes求积公式的GM(1,1)模型优化研究

通过GM(1,1)模型构建过程发现,背景值的构造方式是影响模型预测精度的主要因素之一。为了提高GM(1,1)模型的预测精度,从背景值的几何意义出发,依据数据序列生成指数规律建立灰色动态序列预测模型,结合数值积分理论中的三、四阶Newton-Cotes求积公式提出两种背景值改进方法。与此同时,就发展系数不同取值以及不同预测步数两种情形分析了改进方法的适用范围。实例结果表明,两种改进背景值后的GM(1,1)模型对预测精度有着显著提高,并且扩展了GM(1,1)模型的适用性。     

煤矿百万吨死亡率预测方法对比研究

为了能更好地掌握煤矿安全生产状况及其发展规律,本文分别运用灰色系统理论GM(1,1)模型、残差GM(1,1)模型、Holt线性趋势模型和ARIMA(0,2,1)模型对我国2000年至2017年的煤矿百万吨死亡率数据进行分析建模,比较了四种预测方法的误差大小。通过模型的拟合结果与实际结果的对比发现,灰色系统理论的残差GM(1,1)模型预测的相对误差较小,精度较高。运用该模型对我国2018年和2019年的煤矿百万吨死亡率进行了预测,结果为0.048和0.02。该结果对我国制定煤矿安全生产宏观政策具有一定的指导意义。     

改进背景值的非等间距GM(1,1)模型

背景值是影响非等间距GM(1,1)模型精度的重要因素之一。在积分重构理论的基础上,对背景值进行研究,针对一次累加序列的非齐次指数形式这一特点,通过非齐次指数函数拟合方法对背景值的构造进行改进,提出了一种改进背景值的非等间距GM(1,1)模型,应用实例表明了该方法的有效性。     

建筑沉降变形的半参数GM(1,1)模型研究

针对传统GM(1,1)模型背景值的缺陷和未知模型误差对预测精度的影响,提出半参数补偿及背景值优化GM(1,1)模型。通过分析传统GM(1,1)模型、背景值优化GM(1,1)模型以及本文模型的精度,结果显示,模型残差标准差比传统GM(1,1)模型小1.13,平均绝对误差小0.62 mm,平均相对残差小1.45%,且其各项指标均显示本文模型的预测精度有所提高。     

非等间距GM(1,1)模型背景值构造方法及应用

背景值是影响灰色系统理论建模精度的重要因素之一。为提高灰色模型的预测精度,对非等间距GM(1,1)模型中的背景值构造进行了研究,提出了用x(1)(t)在区间[ki,ki 1]上的中点实际值作为背景值。该背景值计算简洁,适应性强,提高了非等间距GM(1,1)模型精度,拓广了非等间距GM(1,1)模型的适用范围。并应用改进的非等间距GM(1,1)对钛合金疲劳强度随温度变化的关系进行建模,取得了满意的效果,数据拟合精度高达98.8%。建模结果表明了该文提出的方法的有效性。     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

基于灰色GM(1,1)模型的宿州市人口预测

以2001年至2013年的宿州市人口数据资料为依据,运用灰色系统理论建立GM(1,1)宿州市人口预测模型,并对该GM(1,1)预测模型进行残差检验,关联度检验和后验差检验,通过检验知模型对数据的拟合属于一级精度,模型精度较高。最后利用GM(1,1)模型对宿州市2014年至2018年的人口进行了预测,并结合宿州市人口发展的历史和现状对结果进行了分析。     

传统灰色建模的一些理论问题

分析了GM(1,1)建模中灰导数及其白化背景值对模型精度与适应性的影响,并从灰导数、灰导数的白化背景值的构造证明了原始时间序列数据变化越平缓,发展系数的绝对值越小,GM(1,1)模型的拟合与预测精度越高,模型的适应性越强,根据研究结果指出了提高GM(1,1)模型精度的研究方向.     

基于复合辛普森公式的GM(1,1)模型背景值的优化

背景值是导致GM(1,1)模型产生系统误差的主要原因之一,为提高模型的模拟效果和预测精度,根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建灰色系统模型。基于GM(1,1)模型背景值的几何意义,结合复合辛普森求积公式和动态序列模型,提出一种新的GM(1,1)模型背景值优化方法。实例表明,基于复合辛普森公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性。