改进RGM的用户情景状态序列信息预测方法

用户情景状态序列信息缺失补齐是多数据源数据融合研究中数据预处理的关键问题之一.针对用户的情景数据序列中存在信息缺失的问题,在滚动灰色预测模型(RGM,rolling grey model)的基础上提出一种改进方法.该方法对已知用户情景状态原始数据序列进行幂指变换,通过变换后的数据进行滚动灰色预测并将预测出的数据进行幂指逆变换,从而得出情景状态缺失数据的预测值.实验结果表明,该方法在很大程度上提高了预测数据的精确性.

GAM 模型的进一步拓广

用ＧＡＭ模型模拟预测问题，通常用１－ＡＧＯ生成运算进行数据处理。这种生成运算对波动较小的原始数据预测效果较理想，但对波动大的数据往往失真。此文提出的幂指函数变换法，不受数据波动大小限制，不但拓展了ＧＡＭ模型的应用范围，而且逆变换还原误差也不会扩大。文中用一个实例验证了此种变换的实用性和可靠性。