GM(1,1)的一种逐步优化直接建模方法

在 GM( 1,1)直接建模方法基础上进一步提出了一种逐步优化方法 ,证明了这一方法不仅保持了原方法的升 (降 )凹 (凸 )一致性、线性变换一致性 ,而且具有渐近白指数律吻合性 ,弥补了原方法不具有白指数律吻合性的缺陷 .应用该方法对我国城市内分泌、营养和代谢免疫疾病致死人数占死亡总数的百分比建立了高精度的预测模型.     

优化灰导数白化值的GM(1,1)建模法

提出了以向前差商和向后差商的优化加权平均值作为灰导数白化值建立 GM( 1 ,1 )的方法 ,证明了该建模法具有线性变换一致性 .计算实例表明该建模法具有较高的建模精度.     

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。     

一种逐步优化灰导数白化值的GM(1,1)建模方法

在 GM(1 ,1 )以差商作为灰导数白化值的基础上 ,进一步提出了一种逐步优化灰导数白化值的方法 ,突破了发展系数的绝对值较大时不能用 GM(1 ,1 )建模的禁区 ,提高了建模精度 .特别对于绝对灰度为 0 (或很小 )的具有齐次灰指数律的数据 ,应用该方法可以得到十分理想的预测模型.     

一种逐步优化灰导数背景值的GM(1,1)建模方法

证明了离散齐次指数函数经一次累加生成后为离散非齐次指数.进而在GM(1,1)以均值生成作为灰导数背影值的基础上,进一步提出了一种逐步优化灰导数背景值的方法,提高了建模精度,特别对于绝对灰度为0(或很小)的具有齐次灰指数律的数据,应用该方法可以得到十分理想的预测模型.     

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.     

非等间距新息GM(1,1)的逐步优化模型及其应用

应用灰色系统建模方法及新信息原理,在GM(1,1)建模思想的基础上提出了一种基于直接建模的逐步优化的新息非等间距GM(1,1)模型,该模型采用原始数据的第n个分量作为灰色微分方程的初始条件,通过优化背景值与差商调节系数来估计模型参数.该模型不仅适合于等间距建模,也适合于非等间距建模,且突破了发展系数的绝对值较大时,不能用GM(1,1)模型的禁区,提高了建模的精度.实例表明所建模型的实用性与可靠性.     

基于级比数据处理的多段灰色建模方法及在我国GDP建模中的应用

提出了一种基于级比数据处理的多段灰色建模方法,详细阐述了其建模机理和建模步骤.该模型拓宽了GM(1,1)的应用范围,有效地提高了一般GM(1,1)模型的精度.文末给出了一个利用多段灰色建模方法的例子.     

GM(1,1)模型的背景值构造方法和应用(Ⅰ)

灰色 GM( 1 ,1 )模型对高增长指数序列拟合常常产生滞后误差 ,作者认为 GM( 1 ,1 )模型中背景值构造方法是影响其精度和适应性的关键因素 .从此角度出发 ,对背景值构造方法进行研究 ,重构了一个表达形式简洁、计算简单、适应性极强的背景值计算公式 .新的背景值计算公式的一个显著特点是它使 GM( 1 ,1 )模型具有对建模结果进行优化的能力 ,能获得最佳的拟合和预测精度 .它使 GM( 1 ,1 )模型同时适应于低增长指数序列和高增长指数序列建模 ,它是提高 GM( 1 ,1 )模型精度和适应性的关键技术 .算例结果的精度充分说明了它的有效性 .     

灰色系统建模中应注意的一个问题

根据灰色GM(1,1)模型(grey-model)的建模机理和条件,数据具有准光滑性是建模的重要条件,经常通过累加生成使数据具有准指数规律。但对数据本身具有准指数规律,进一步累加生成可能会破坏其指数规律。为此在建立灰色模型中,应先对数据进行准指数规律的判断;如果数据本身具有准指数规律,应该按照直接数据灰色模型的建模方法。这样有利于克服建模中的盲目性,并且对具有准指数规律的数据序列用直接数据灰色GM(1,1)模型的建模方法能够获得较高的精度,验证了它的有效性。     

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.     

GM(1,1)模型参数估计的新方法及假设检验

ＧＭ（１，１）模型参数估计的新方法及假设检验唐五湘（北京机械工业学院工商管理分院，１０００８５）ＡＮｅＷＭｅｔｈｏｄｏｆＥｓｔｉｍａｔｉｏｎｏｆｔｈｅＧＭ（１，１）ＭｏｄｅｌＰａｒａｍｅｔｅｒｓａｎｄＨｙｐｏｔｈｅｓｉｓＴｅｓｔｉｎｇＴａｎｇＷｕｘｉ...     

二次时变参数离散灰色模型

本文基于离散灰色模型模拟值增长率恒定的原因,通过引入二次时间项来构造了 二次时变参数离散灰色模型(quadratic time-varying parameters discrete grey model,简称为QDGM(1,1)模型).并且研究了该模型的性质.结果说明, QDGM(1,1)模型具 有白指数规律重合性,线性规律重合性,二次规律重合性,伸缩变换一致性.应用最优化方法研究QDGM(1,1)模型迭代基值问题,建立优化模型并提出求解算法.最后叙述了应用 QDGM(1,1)模型建模和预测的步骤,并通过实例比较了QDGM(1,1)模型与原离散灰色 模型及其非齐次离散模型和线性时变参数离散灰色模型的预测能力,最终结果表明本文 提出的QDGM(1,1)模型具有更高的模拟和预测精度.     

背景值和初始条件同时优化的GM(1,1)模型

GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,单独采用优化背景值方法或优化初始条件方法可以在一定程度上提高模型精度,因为两种改进方法完全独立。这里提出一种同时优化背景值和初始条件的新GM(1,1)模型,通过模拟数据的比较表明,新优化GM(1,1)模型有更高的精度。