GM(1,N)模型的病态性研究及其在生态创新中的应用

本文以中国工业企业为研究对象,深入探究适用于多因素、少数据的生态创新相关指标特征的灰色模型预测技术。针对传统灰色预测模型在进行参数估计时可能存在的病态性问题展开研究,通过引入L2正则项的最小二乘法,利用粒子群算法求解最优值。将该模型应用于生态创新,与其他模型进行结果对比。结果表明,引入L2正则项的最小二乘法解决了模型的病态性问题,具有良好的预测性能,验证了该模型的有效性。

具有L_(2)正则项的新型离散多变量灰色预测模型

MGM(1,m,N)模型存在参数非同源、模型结构简单、变量间易产生多重共线性三个问题.为解决模型不足,在MGM(1,m,N)模型中引入线性修正项和灰色作用量,以完善模型结构;利用导数一阶差分公式和递归法求解模型的时间响应式,以解决MGM(1,m,N)模型参数非同源性问题;为解决模型变量间多重共线性带来的不良影响,从减小参数估计量的方差角度出发,将L_(2)正则项引入普通最小二乘估计中,并通过粒子群算法求解最优L_(2)正则化参数.最后,将新型多变量灰色预测模型应用到中国三大主粮产量预测中.结果表明:新型多变量灰色预测模型从一定程度上解决了MGM(1,m,N)模型在参数应用和模型结构方面存在的问题,有效解决了多重共线性对模型预测性能的影响,有效提高了MGM(1,m,N)模型的预测精度.

基于卡尔曼滤波的MGM-多维AR(p)模型的构建及其应用

由于受到外界不确定性因素的干扰,导致实际数据偏离模拟的趋势,使得灰色多变量MGM(1,m)模型预测效果不佳,而多维平稳序列自回归模型(AR(p))能够有效反应具体数据与整体趋势之间产生的偏差,从而可以掌握外界环境对目标数据发展趋势带来的影响.由此文章首先利用卡尔曼滤波对给定的小样本数据做平滑处理,消除数据观测时产生的噪声误差,然后根据MGM(1,m)模型对处理后的数据建模,将得到的模拟预测值作为样本数据的趋势项,并将残差作为样本数据的随机项,再通过多维AR(p)模型对随机项进行分析,最后将MGM(1,m)模型的趋势项与多维AR(p)模型模拟的随机项相加得到基于卡尔曼滤波的MGM-多维AR(p)模型的模拟预测值.将该模型和MGM(1,m)模型,多维AR(p)模型和GM-AR组合模型分别应用于衡量杭州市雾霾程度的相关指标中建模分析,结果表明:文中提出的组合优化模型相比其他3个模型,拟合效果更佳,预测结果更精确.