GM(1,1)模型的改进

由于最小二乘法的稳健性有一定的局限性,使得GM(1,1)模型的拟合精度有时并不理想.为提高预测精度,在分析比较最小一乘法和最小二乘法优缺点的基础上,改变了GM(1,1)模型的参数估计方法,用普通最小一乘法和折扣最小一乘法代替了原来的最小二乘法.最后通过实例验证了该改进方法的有效性.结果表明,改进的GM(1,1)模型准确度有较大提高.

自适应动态三次指数平滑法在交通预测中的应用

针对传统三次指数平滑法预测模型中平滑系数固定不变、难以跟踪时间序列随时间变化的因素、无法反应不同时间段历史数据对预测结果的影响等缺点,提出了一种改进的动态三次指数平滑法.该方法通过误差平方、最小原则和地毯式搜索算法来获得动态调整的平滑因子,对波动范围较大且呈非线性变化规律的数据有很强的适应性.将自适应动态三次指数平滑法与SARIMA模型、三次指数平滑法进行对比,由铁路旅客发送量的仿真实例分析结果可知,自适应动态三次指数平滑法能更好地适应时间序列的变化趋势,具有良好的预测精度.

用折扣最小二乘法预测住院费用

目的:通过预测为医院决策分析提供理论依据。方法:根据"近大远小"的预测原则,采用折扣最小二乘法。结果:预测住院病人人均费用,预测结果与实际值相吻合。结论:折扣最小二乘法原理简明易懂,计算方法简便易行,预测准确性高。

水文预报因子选择中两种不同方法的对比分析

鉴于合理选择预报因子和预测方法是提高中长期水文预测准确性的重要环节,以青海省西宁市为例,采用单相关系数法和相关概率法对气温和降水资料进行相关性分析,并在此基础上进行线性和非线性回归预测。结果表明,在给定95%置信度条件下两种相关性分析方法均通过检验,气温和降水线性相关显著,可将气温作为预报因子进行降水预测,但线性回归预测结果不理想,而采用最小二乘支持向量机的非线性方法预测结果较理想。

基于灰导数和预测系数的GM(1,1)优化模型

针对GM(1,1)模型的适用范围是近指数情况,提出了将优化灰导数与利用原始序列模拟的相对误差平方和最小估计预测系数c相结合的方法,从而得到一种简化计算的新GM(1,1)优化模型,该模型的预测公式x^((0))(k)=ce^(-ak)在形式上比较简洁,并且经严格指数序列从理论上验证了参数a具有白化指数律重合性,预测系数c具有白化系数重合性.

折扣最小二乘法预测医院工作量过程中α系数的确定

目的对医院业务工作量进行科学预测。方法运用折扣最小二乘法,以某医院1994—2003年统计报表中的出院人数为资料来源,以作图法和计算拟合误差平方和来确定折扣系数(α系数),预测2004年的出院人数。结果本例中的折扣系数为0.4～0.6之间,据此可预测2004年出院人数为7572～7742人,2004年实际值为7688人,说明预测值与实际值较吻合。结论折扣最小二乘法是医院业务工作量预测当中的一个非常有力的工具,在实际预测过程中,折扣系数α的确定,对预测结果有着非常大的影响。所以,对医院发展前景进行科学预测,就必须先科学合理地确定好α系数。

基于最小二乘法线性相关系数的短路电流频率测量及零点预测方法

基于最小二乘法线性相关系数最大原则对电网实际频率进行测量,用电网实际频率构建最小二乘法系数矩阵,再对短路电流特征参数进行辨识,据此预测短路电流的过零点。仿真结果表明,所提方法可以有效地测量出电网的实际频率,且可消除非同步采样时频率偏移造成的短路电流特征参数及零点预测误差。

基于非线性最小二乘法指数平滑系数估计

运用指数平滑预测模型进行时序数据的预测分析时,关于指数平滑系数α最优估计是研究者们长期以来需要解决的关键性问题。本文提出基于非线性最小二乘法的指数平滑系数α选取方法,其核心思想在于根据预测值与实测值之间的拟合误差平方和最小值,利用非线性最小二乘法中具有松弛性质的搜索算法,通过高斯-牛顿迭代程序估计最优指数平滑系数α,使得指数平滑预测模型在预测过程中达到更为精准的预测精度。

On Discount Weighting Grey Modeling of GM(1,1)

In allusion to the different sample value the different influences on forecast values, this paper putsforward a kind of discount weighting grey modeling method and establishes a kind of discount coefficient grey modelof GM (1, 1 ). It means much as respect to improve the validity and rationalics of forecast model in the course offorecast modeling.