近似非齐次指数序列的离散灰色模型特性研究

针对近似非齐次指数增长规律的数据序列,构建了近似非齐次指数序列的离散灰色模型,给出了该模型的参数求解公式和模型的递推函数。以演绎推理的方法对模型的仿射特性进行研究,分别从数乘变换和平行变换的角度分析了模型中仿射变换前后模型参数、模型模拟预测值的变化特征,在仿射变换条件下可以对原始数据序列进行简化建模。通过仿射变换,可以缩小数据的量级,简化建模过程,而不会改变模型的模拟和预测效果。

一种适用于非齐次指数增长序列的直接型离散灰色模型

基于灰色模型的背景值表达式及非齐次指数增长序列的形式1,得到了一种一次累加序列与原始序列的关系,给出了系数确定方法,获得了适用于非齐次指数增长序列的直接型离散灰色模型,并给出了系数确定的方法。实例研究表明:本优化模型不仅具有可操作性,而且精度高,效果好。

近似非齐次指数序列的离散GM(1,1)模型的建立及其优化

分析了GM(1,1)模型的缺陷,指出其白化响应式并不是灰微分方程的真正解。建立了近似非齐次指数序列的离散GM(1,1)模型,证明了其可以完全拟合非齐次指数序列。建立了加权背景值下的近似非齐次指数序列的离散GM(1,1)模型,实例证明不同的权值下,其预测精度是不一样的,同时由于该模型默认经过初始值点,这与最小二乘法的思想不符,因此在优化权值的同时优化初始值。实例验证结果表明优化的近似非齐次指数序列的离散GM(1,1)模型提高了预测精度。

近似非齐次指数增长序列的间接DGM(1,1)模型分析

DGM(1,1)模型对近似齐次指数增长序列具有较高的预测精度,而实际上服从近似齐次指数增长规律的数据序列十分有限。根据灰色系统理论的差异信息原理,通过原始序列的累减生成将近似非齐次指数增长序列转化为近似齐次指数增长序列,对累减生成序列建立DGM(1,1)模型,并在此基础上实现对原始序列的还原以达到数据模拟及预测之目的。因原始序列的累减生成最大可能地满足了建模序列的齐次性要求,提高了模拟及预测精度,拓展了模型的适用范围,故通过算例验证了此种改进方法的简单性、实用性及有效性。

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型。该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性。实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度。

近似非齐次指数序列的DGM(1,1)直接建模法

优化了模型DGM(1,1)的建模初始条件,讨论并证明了该模型与原始数据在升、降、凹、凸等几何形状方面的吻合性;最后通过算例验证了该模型的有效性及实用性;DGM(1,1)直接建模法对丰富与完善灰色预测模型的理论体系,具有积极的意义.

基于NGM(1,1,k)模型的农产品产量预测方法

农业作为基础性产业为国民经济和社会发展提供了必要的基础性物质,而农业中的粮食生产则是基础中的基础.基于NGM(1,1,k)模型,提出了一种农产品产量预测方法.分析了原NGM(1,1,k)模型中参数设置不足的缺陷,借鉴非齐次指数序列的灰色预测模型的建模特点,构建了一种新的NGM(1,1,k)模型,灰微分方程的建立使得模型满足无偏性.应用实例结果显示了新NGM(1,1,k)模型的有效性和适用性.

优化灰导数的直接GM(1,1)模型

对于原始数据为近似非齐次指数的序列,文章采用向前差商和向后差商的加权平均值作为直接建模的灰导数,并且优化了初始条件,建立了新的直接GM(1,1)模型。通过实例验证了新模型不仅提高了建模的精度,还扩大了模型的适用范围,具有一定的理论价值和应用价值。

间接DGM(1,1)模型在基坑沉降预测中的应用

选取某一基坑沉降监测点,该点11个周期的累计沉降量为近似非齐次指数增长序列,以Java为工具对该点进行编程计算,得到GM(1,1)、DGM(1,1)、间接DGM(1,1)3种模型的基坑沉降预测结果。对比分析发现,间接DGM(1,1)模型精度高于GM(1,1)和DGM(1,1)模型,其C值仅为0.01,且残差值增加缓慢,近似于一条水平线,实测值与预测值非常接近,适用范围广,弥补了另两种模型不能进行长期预测的缺憾。

离散GM(1,1)直接建模模型及参数估计

针对近似非齐次指数增长序列,借鉴离散化思想,基于原始数据序列与累减数据序列的关系,直接建立原始数据序列间的关系,得到新的GM(1,1)直接建模模型,并利用最小二乘法进行参数估计。通过实例分析比较,新的GM(1,1)直接建模模型的模拟预测精度高达99.99%以上,优于原始的GM(1,1)和GM(1,1)的改进模型,具有一定的理论意义和应用价值。

非齐次GM(1,1)模型的背景值优化及其应用

针对非齐次GM（1，1）模型中传统方法构造的背景值与真实背景值之间存在误差的情况，提出了一种背景值优化方法．首先，分析了背景值误差的来源及其对模型预测精度的影响；然后，通过积分变换重构了背景值，并利用非齐次指数序列及其一次累加、一次累减生成序列的相互关系，得到了重构背景值中参数的表达形式；最后，根据拟合误差最小原理解得了模型参数的估计值，进而得到了预测公式．经过实例应用，优化模型预测结果的平均相对误差为0．54％，表明优化背景值能够明显提高模型的预测精度．

灰色模型背景值优化的一种新方法

文章通过将背景值改造为原始序列连续化后的原函数形式,从而使灰色微分方程与白化微分方程更加匹配,然后基于白化微分方程的解y(t)不再是原始序列的一次累加函数这一基本事实,因此不再使用传统的累减还原方法,而是将y(t)直接求导获得模拟预测公式,经过严格理论证明了本文模型具有白化指数重合性、系数重合性以及平移常数重合性,从而较原始NGM(1,1,K)模型而言,该模型具有对高低增长指数序列都能适用的优势。

基于精细积分法的无偏非齐次灰色模型构建

传统无偏灰色预测模型的参数估计和序列模拟都是通过白化方程的离散时间响应函数求取相应的估计值和模拟值.基于精细积分法,提出一种无需求离散时间响应函数的无偏非齐次灰色模型.该模型通过引入新变量,将白化方程转化为齐次矩阵微分方程,利用指数矩阵求得递推关系,进而推导参数无偏估计公式,并采用精细积分法直接计算灰色模型的模拟(预测)值,从而减少舍入误差,提高计算精度.同时,还证明该建模方法具有非齐次指数规律重合性和伸缩变换一致性.严格非齐次指数序列、近似非齐次指数序列、不同类型的单调序列以及汽车保有量预测实例的结果进一步表明,所构建的模型能严格拟合非齐次指数序列,验证了该模型的有效性和实用性,提高了拟合(预测)精度.

一类新的多变量灰色MNGM(1,n,k)模型及其优化

原始序列矩阵中各序列近似服从非齐次指数增长律,采用传统的多变量灰色MGM(1,n)模型预测时效果并不理想,为此首次提出了一种新的多变量灰色MNGM(1,n,k)模型,给出了模型的时间响应式.为进一步提高新模型的预测精度,对其背景值进行了优化.最后以一个算例进行了验证,结果表明,传统的MGM(1,n)模型,MNGM(1,n,k)模型和优化MNGM(1,n,k)模型的模拟预测精度依次递增,从而证实了新模型及其优化模型的有效性和实用性.

非等间距NGM(1,1,k)模型及其应用

针对近似非齐次指数律的非等间距序列预测问题,提出了一种非等间距NGM(1,1,k)模型.为进一步提高模型的预测精度,利用线性插值方法对模型的背景值进行重构,以平均相对误差最小化为目标,建立了关于插值系数的优化模型,并运用穷举算法确定模型的最优插值系数.最后通过两个实例表明了非等间距NGM(1,1,k)模型及其优化模型的有效性和实用性.

离散灰色模型的拓展及其最优化求解

目的:探讨灰色预测模型中不同的迭代初始值点对模型的影响及其解决方法,探讨非齐次指数增长序列情况下的离散灰色模型;方法:采用理论证明和图形分析相结合的方法,比较迭代初始值分别为始点、中间点和终点三种不同形式对离散灰色模型的影响,构建新的灰色预测模型和参数求解公式;结果:迭代初始值的不同确实对离散灰色模型的模拟和预测产生影响;构建了优化离散灰色模型和无约束参数求解公式,建立了非齐次指数增长序列情况下的离散灰色模型;结论:新建立的优化灰色模型解决了迭代初始值点的不同对模型的影响问题,可以取代GM(1,1)模型和离散灰色模型进行模拟和预测,离散灰色模型得到了拓展,应用于非齐次指数增长序列的情形.

基于直接估计法的NGM(1,1)模型拓展

从近似非齐次指数序列的GM(1,1)模型时间响应函数出发,推导累加序列间的函数递推关系,并给出求解时间响应函数参数值的直接估计方法.在此基础上,构建一种能同时模拟近似齐次和近似非齐次指数序列的新NGM(1,1)模型,该模型避免了模型参数估计从差分方程到微分方程的跳跃性误差,并从理论上解释了新模型能模拟齐次指数序列和非齐次指数序列的原因.通过对新NGM(1,1)模型与既有模型进行比较,表明了所提出模型具有更优良的模拟和预测性能.

灰色NGM(1,1,k)模型背景值优化方法

传统灰色NGM(1,1,k)模型的参数估计误差是导致该模型精度不稳定的重要因素,研究面向背景值优化基础上的参数估计方法是提高灰色模型性能的重要手段.通过积分变换,得到与NGM(1,1,k)模型白化方程匹配的灰色微分方程,推导出背景值优化公式,从而构建背景值优化的新NGM(1,1,k)模型,并从理论上解释新模型能同时模拟严格齐次和非齐次指数增长序列的原因.进一步通过算例和实例验证了所提出的模型均能显著提高序列的模拟和预测精度.