灰色模型GM（1，1）的一种新优化方法

根据灰色系统理论的新息优先原理,提出了将X(1)的第n个分量作为灰色微分模型的初始条件与优化背景值相结合的方法,对GM(1,1)模型进行了改进,改进后的模型既适用于低增长指数序列建模,也适用于高增长指数序列建模,尤其是对高增长指数序列,改进的GM(1,1)模型的模拟精度与预测精度都有提高,即使在发展系数|a|大于2时,新模型的拟合精度仍然很高.     

分数阶累加时滞GM(1,N,τ)模型及其应用

基于系统的时滞性,本文建立了时滞灰色GM(1,N,τ)模型,给出了模型的最小二乘参数估计公式以及模型的解析解.在引入分数阶累加生成算子后,将原模型扩展为分数阶累加GM(1,N,τ)模型,当时滞值为非整数情况时,采用相邻整数点加权构造法,完善了模型;通过粒子群算法确定模型最优的分数阶累加生成阶数.最后本文结合武汉市1995-2008年14年科技投入及经济增长的实际背景,分别建立了经典时滞GM(1,N,7)和分数阶累加时滞GM(1,N,7)模型对GDP数据做了预测,比较了两个模型预测结果,发现分数阶累加时滞GM(1,N,7)模型具有更高的建模精度.     

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.     

一种内涵式参数辨识的GM(1,1)新模型

针对普通GM(1,1)模型应用于非平缓变化序列预测时误差较大甚至失效的缺陷,提出了一种内涵式参数辨识的GM(1,1)新模型。推导了模型边值、背景值权重系数、发展系数以及灰作用量与预测值之间的非线性内涵表达式,并采用粒子群算法(particle swarm optimization, PSO)对内涵式参数进行辨识,建立了PSOGM(1,1)预测新模型。典型算例表明,PSOGM(1,1)模型收敛速度快,较普通GM(1,1)模型具有更高的预测精度,可应用于平缓变化及非平缓变化序列预测。     

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.     

基于遗传算法的GM(1,1,λ)模型

用差分格式将灰色模型 GM(1,1)模型推广为 GM(1,1,λ)模型 ,λ=0 .5即为 GM(1,1)模型 ;由于参数λ与误差之间存在明显的非线形特性 ,而且某些目标函数不可微 ,使得传统的优化方法无能为力 ,文中应用遗传算法求解最优的 λ值 ,然后进行预测 .由 λ的取值知 ,GM(1,1,λ)模型的预测精度一定比 GM(1,1)高 ,数值计算的结果也证实了这一点 .     

优化的GM(1,1)幂模型及其应用

针对GM(1,1)幂模型的幂指数和背景值的优化问题, 首先归纳出GM(1,1)幂模型的建模步骤和传统方法的不足, 然后以平均相对误差最小化为目标、参数之间的关系为约束条件, 构建了两个非线性优化模型, 实现对GM(1,1)幂模型的幂指数和背景值插值系数的优化. 结果表明, 优化的GM(1,1)幂模型使得平均相对误差绝对值在理论上达到最小优化, 解决了传统建模方法与模型检验的脱节问题, 其模拟和预测精度都高于传统模型. 最后, 以我国高中升学率的数据为例验证了本文优化方法的优越性和有效性.     

基于振荡序列的GM(1,1)模型

针对GM(1,1)模型对非负光滑单调序列的预测精度较高,而对振荡序列的预测效果不理想的情况.提出了先通过加速平移变换将振荡序列变为单调增加序列,然后再对加速平移变换后的序列进行加权均值生成变换,再以加权均值生成变换得到的序列建立GM(1,1)模型进行预测.通过具体算例的计算表明,这种方法能够提高GM(1,1)模型的预测精度,可应用于对振荡序列建立GM(1,1)模型,从而扩大了GM(1,1)模型的应用范围.     

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型（简称GM(1,1)幂模型）的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。     

广义累加灰色预测控制模型及其优化算法

基于矩阵理论建立了广义累加灰预测控制模型参数的矩阵形式,由此得到了数乘变换下模型的参数性质; 利用每个生成序列值作为边界条件并使平均相对误差函数最小, 构建了广义累加GM(1,1)时间响应函数的最优模型. 将该优化模型应用于经典的“电视机销售问题”之中, 得到了非常好的预测效果.     

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.     

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。     

基于级比序列的离散GM(1,1)模型

针对离散GM(1,1)模型的模拟序列未能反映出原始数据序列的级比动态变化这一问题,通过对原始数据序列的级比序列进行建模,建立基于级比序列的级比离散GM(1,1)预测模型。该模型较好地保留了原始序列级比的动态性,结合原始序列与级比序列的关系,获得原始序列的模拟值。数值计算结果表明,基于级比序列的离散GM(1,1)预测模型,无论在相对误差还是平均相对误差的变动幅度方面,都优于离散GM(1,1)模型。     

灰模型对单调递减序列的适应性与参数估计

对单调递减序列建立GM(1,1)模型,利用数学归纳法证明了GM(1,1)模型的时间响应式和预测式分别与实际的一次累加序列和原始序列的增减趋势吻合,说明了GM(1,1)模型适应于直接对单调递减序列建模,澄清了人们认为GM(1,1)模型只适应单调递增序列的曲解,拓宽了GM(1,1)模型的适用范围,并提出了避免繁琐矩阵计算的参数近似估计方法.最后通过实例证实了此方法的有效性和可行性.     

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.     

弱化缓冲算子对GM(1,1)模型的预测效应及适用性

在GM（1,1）模型预测中,缓冲算子能有效处理含有冲击扰动因素的原始数据,改善模型的预测效果. 本文在系统分析缓冲算子对GM（1,1）预测作用过程的基础上,提出了GM（1,1）模型的预测效应以及缓冲算子适用性的评价准则. 选用典型的6种弱化缓冲算子对河南粮食产量数据分长序列、宽间距序列和短序列三种情况进行了模拟计算分析. 确立了不同算子对GM（1,1）模型预测产生的效应及其适用范围,并选用具有类似特征的其他数据序列验证了研究结果的有效性.     

特征自适应型GM(1,1)模型及对中国交通污染排放量的预测建模

兼顾精度与拟合趋势相似性是预测建模需要深入研究的重要问题.为提高模型对数据特征的适应能力,本文分析了GM(1,1)模型中灰微分方程和白化方程的一致性关系以及响应式还原方法问题,提出构建一种特征自适应型灰预测模型,即CAGM(1,1)模型.该模型采用含可变参数的背景值公式构建灰微分方程,并通过转化模型形式推导了参数估计过程,进而构建以背景值序列为基础的时间响应式;为提高模型预测能力,本文结合灰色关联度构建响应式还原过程中待定变量的适应度函数,采用粒子群算法取得其最优值.最后,案例研究了我国机动车污染排放预测问题,分别构建GM(1,1)和CAGM(1,1)模型对氮氧化合物排放量进行建模,通过比较二者拟合和预测结果验证新模型的改进效果,为管理实践提供有效工具.     

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.     

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.     

GM(1,1)模型的背景值构造方法和应用(Ⅱ)

通过重构一个表达形式简单的背景值计算公式,使得GM（1,1）模型能通用于等间距序列和非等间距序列,从而达到了扩大GM（1,1）模型应用范围的目的,同时仍保持了GM（1,1）建模简单易行的显著优点．实例说明,重构的背景值计算公式用于非等间距序列有很高的拟合和预测精度．