基于改进GM(1,1)模型的生活用水量预测

生活用水量预测是城市给水规划的关键,其核心是提高预测的精准度。由于传统GM(1,1)模型误差主要来源于背景值和初始值,文章采取引入幂函数改进背景值和初始值2种改进方法。引入幂函数改进背景值权重构造,使新数据占改进模型主导地位;引入幂函数减少原始数据振荡,优化原始序列。将改进后的2种模型应用于河南省生活用水量预测中,并与传统GM(1,1)模型进行比较。结果表明改进模型各个检验均满足要求,可进行中长期用水量预测,预测可得2025年河南省生活用水量为48.31×10^(8)m^(3)。优化原始值改进的GM(1,1)模型预测效果好、精度高,可为当地水资源保护、管理提供参考。

The Grid Algorithm of the Development Coefficient and the Combination Coefficient of Background Value in GM（1,1） Model

This article gives the algorithm of the sector in which the development coefficient is, and the steps to simultaneously calculate the development coefficient and combination coefficient of background value. Unifying the development coefficient and the background value＇s coefficient of combination to optimize the model together, avoiding the malpractice to separate the two in traditional method, and avoiding the error brought out by matrix multiplication because of matrix＇s illness and so on in the traditional way, therefore increases the precision of the model.

管道腐蚀深度预测的优化灰色GM(1,1)模型建立及应用

管道腐蚀深度是腐蚀行为研究的重要内容,准确预测管道腐蚀深度变化规律对于保障管道的安全运行意义重大。针对传统GM(1,1)模型背景值计算方法的不足,提出了一种基于二次多项式变换结合背景值优化的改进灰色模型,通过实例对比分析了改进模型和传统模型预测精度的差异。结果表明:当建模样本数为7时,传统模型、改进模型一(采用二次多项式变换方法所建模型)、改进模型二(采用二次多项式变换结合背景值优化方法所建模型)预测所得的平均相对误差分别为5.33%、4.00%和3.731%,因此改进模型二的预测精度高于改进模型一和传统灰色模型;当建模样本数分别为8和9时,改进模型二的预测精度仍最高,因此采用的背景值优化方法有助于提升改进模型一的预测精度;改进模型用于预测管道腐蚀深度完全可行,且所用方法具有计算简单、精度高的优点。

基于优化GM(1,1)模型的安徽省GDP预测

传统GM(1,1)模型基于最小二乘法进行参数估计,计算过程简单,但易受异常值影响,而最小一乘法考虑误差绝对值和最小,稳健性较好,且背景值z(1)(k)易使GM(1,1)模型产生系统误差。鉴于此,文章提出一种基于优化背景值的最小一乘法GM(1,1)模型。采用传统GM(1,1)模型、背景值优化的GM(1,1)模型和文章中提出的优化背景值的最小一乘法GM(1,1)模型对安徽省2012—2020年的GDP总量进行了建模研究,并对比几种模型的预测精度,发现文章提出的优化GM(1,1)模型预测精度最好。

基于粒子群算法的GM(1,1)模型优化

GM(1,1)模型是应用范围极广的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。在误差最小化准则下构建了基于粒子群算法的GM(1,1)模型,同时对模型的背景值系数和初始值进行了优化。运用优化的模型分别对齐次指数序列、2017—2021年我国新能源汽车保有量进行拟合。实例分析表明,基于粒子群算法优化的GM(1,1)模型适合中长期预测并且具有更高的拟合精度。

背景值优化的GM(1,1)预测模型及应用

针对GM（1，1）模型背景值存在的缺陷，在分析背景值误差产生原因的基础上，提出了新的背景值计算方法。该方法用非齐次指数函数模拟一次累加生成序列，根据原序列与一次累加生成序列的关系重构背景值计算公式，得到实际曲线在区间上的面积作为背景值。利用深圳市2007年10月9日和10日8：00～8：50的交通流数据验证，结果表明，与基于背景值优化的GM（1，1）模型相对比，新构建背景值的GM（1，1）模型的平均相对模拟误差和平均相对预测分别提高了0．46和2．61个百分点，在精度上取得了更好的效果。

非等间距GM(1,1)模型背景值的优化

基于背景值是影响灰色建模精度的重要因素之一,本文对非等间距GM(1,1)模型中的背景值构造进行了研究,根据灰色模型的指数特性和积分特点,利用非齐次指数函数来拟合一次累加生成序列,提出了一种重构非等间距GM(1,1)模型背景值的方法。实例表明利用优化的背景值计算公式建立的非等间距GM(1,1)模型显著地改善了模拟和预测精度。该背景值不仅适合于非等间距建模,也适合于等间距建模,具有精度高、适用性强的特点。

GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.

灰色模型GM(1,1)优化

分析了GM (1,1)模型产生模拟误差的原因 ,经大量的数据模拟和GM (1,1)模型比较 ,发现背景值的优化使GM (1,1)模型在短期、中期及长期预测中扩大了适用范围 。

改进GM(1,1)模型在我国危险化学品事故预测中的应用

针对传统GM(1,1)模型建模方法存在偏差,当发展系数的绝对值较大时,模型偏差较大,无法用于中长期预测,甚至不能做短期预测等问题。从优化GM(1,1)背景值出发,通过提高背景值的构造精度,实现对传统GM(1,1)模型的改进,利用MATLAB软件编制高效的计算机程序,实现模型的模拟和预测,并将其应用于我国危险化学品事故起数及死亡人数预测。实例结果表明,改进GM(1,1)模型无论对变化平缓的低增长序列,还是变化急剧的高增长序列,都有较好的适应性,及更好的拟合和预测效果,为提高建模精度提供了新的途径。

基于二次插值的GM(1,1)模型预测方法的改进

从理论上分析了GM(1,1)模型中背景值的计算,指出文[11]利用Newton-Cotes公式构造模型背景值的方法是不可靠的,提出用二次插值构造模型中的背景值,同时用最小二乘法对预测公式中的初值进行改进,并用改进的方法进行了短期预测。其理论分析及仿真结果均表明本文所提出的方法有效可靠,为提高预测精度提供了新的途径。

基于小波去噪的改进GM(1,1)模型在高铁线下工程中的应用

针对GM(1,1)模型对建模数据光滑性条件的要求,分析了原始GM(1,1)模型在初始值和背景值选取上的缺陷,对其进行了合理和必要的改进。应用小波去噪对建模数据进行去噪处理,结果表明,用小波去噪处理的数据建立的GM(1,1)模型模拟精度和预测效果得到了很大的提高。但工程实例表明,当建模数据为低增长指数时,改进模型的模拟精度和预测效果没有量级的提高。

灰色GM(1,1)优化模型

在分析了GM ( 1,1)模型的建模机理的基础上 ,指出了传统建模方法存在的问题 ,同时给出了基于GM ( 1,1)的逐步优化模型的方法 .

改进的灰色GM(1,1)模型在滑坡预测中的应用

滑坡形成机制复杂其变形受多种因素影响,具有相当的模糊性和灰色不确定性,因而利用灰色预测模型对滑坡进行预测将是一条有效的途径.在介绍了灰色预测的基本原理及其精度检验方法后,针对传统灰色GM(1,l)模型中背景值的取法,提出了一种自动寻优定权的改进措施,通过实例对比分析,表明其预测精度将得到有效提高.

利用非齐次指数函数构造GM(1,1)模型背景值的新方法

文章以灰色GM(1,1)模型背景值的优化为研究目的,讨论了传统背景值构造方法适用于低增长指数序列、对高增长指数序列拟合产生滞后误差的原因,提出了利用非齐次指数函数x^((1))(t)=A×e^(B×t)+C在区间[k-1,k]上与横坐标轴所围实际面积来构造背景值的新方法,并对其合理性进行了证明;在不同发展系数a条件下,比较了背景值构造方法对模拟和预测精度的影响,给出了新背景值条件下GM(1,1)模型的适用范围;大量的数据模拟和模型比较表明,新背景值构造方法提高了背景值的精确性及灰预测模型的拟合精度和预测精度。

估计GM(1,1)模型参数的一种新方法

考虑到最小二乘法则的不足及背景值参数和边值的影响,提出基于最小一乘准则估计GM(1,1)模型参数,得到新的预测公式,引入粒子群算法直接求解最小一乘问题即可得到模型参数,简化了以往改进模型的二次求解过程。数值计算结果表明,基于粒子群算法及最小一乘准则估计灰色模型参数,对于平稳或非平稳序列,都具有较高的拟合与预测精度。

pGM(1,1)模型在变形预测中的应用

分析了GM (1,1)模型在背景值取值上的不足 ,提出了一种基于权的 pGM (1,1)模型。通过模型比较 ,表明pGM (1,1)模型具有更好的预测效果 。

自适应GM(1,1,λ)模型及其适用范围

为解决传统GM(1,1)模型存在的问题,在运用积分中值定理证明含有自适应因子λ∈(0,1)的背景值构造方法可行性的基础上,将该方法引入传统GM(1,1)模型的定义型,推导出了GM(1,1)定义型预测公式,构造了具有自适应能力的GM(1,1,λ)模型。通过理论证明和数据模拟实验两方面的研究结果表明自适应GM(1,1,λ)模型能够克服现存问题,并将模型的适用范围扩大为发展系数a∈(-1/λ,1/1-λ),大于传统GM(1,1)模型的适用范围a∈(-2,2),且可用于高增长序列建模,比传统GM(1,1)模型具有更高的拟合和预测精度。

提高灰色GM(1,1)模型精度的微粒群方法

改变背景值插值系数和边值是提高灰色GM(1,1)模型精度的途径之一。对于满足灰色GM(1,1)建模条件的序列,利用微粒群算法,给出了通过优化背景值插值系数和边值提高灰色GM(1,1)精度的新方法。给出了计算实例。计算表明,应用此方法可以提高灰色GM(1,1)模型的精度。

基于GM(1,1)优化模型的岩石边坡变形预测

岩石边坡系统是一典型灰色系统。其变形发展过程可以用灰色预测模型完成。尽管传统GM(1,1)模型预测有很多成功的实例,但是也存在一些预测偏差过大的情况,必须对其进行优化。逐步迭代法GM(1,1)模型不仅收敛速度快,而且与原始数据序列的凹凸性保持一致。利用自编的计算程序对马步坎边坡观测点G1沉降和开裂进行预测分析,结果表明逐步迭代法GM(1,1)优化模型计算精度较传统GM(1,1)模型和背景构造法GM(1,1)优化模型高,较好地反映了岩石边坡的变形趋势。