一种动态数据序列组合预测模型法

文章综述了灰色模型、谐波分析和时序分析的基本原理和建模方法 ,分析了各种模型的适用性与局限性 ,在此基础上提出了基于上述 3种基本建模方法的组合模型法。组合模型有效地融合了各种基本建模方法的特色与优势 ,弥补了单个基本模型的缺陷与不足 ,尤其适用于对非平稳性动态数据序列的建模。仿真结果表明 ,组合模型法能有效地提高数据序列的预报准确度。

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测。仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模。