用Simpson公式构造背景值的GM(1,1)建模新方法

提出了用Simpson数值积分公式构造背景值的GM(1,1)建模新方法,并通过算法分析和一些实例说明了该方法对很多时间序列应用方便,且其模型的拟合精度也比一些文献中的建模方法有明显改进.认为所提出的方法是建立GM(1,1)预测模型时值得考虑的一个新方法,这不仅将对GM(1,1)建模方法的理论研究提供必要的算法依据,而且对合理应用GM(1,1)预测模型具有一定的参考价值.

基于复化Simpson公式优化背景值的GM(1,1)模型及应用

文中针对传统GM(1,1)模型背景值求解存在误差,模型预测精度低的问题,通过分析误差来源,根据已有复化Simpson公式优化背景值的方法,利用积分函数分区间积分求解逼近的思想,构建动态序列预测模型,并结合实例分析进一步验证了该方法的有效性,能够减弱背景值影响误差,提高模型的拟合预测精度,对工程实际应用具有适用性。

基于综合优化GM(1,1)的形变预测模型

通过对传统GM(1,1)模型的初始条件进行优化,利用复化的Simpson数值积分公式构造背景值,以及对残差序列进行修正,建立优化的GM(1,1)模型,并给出优化模型的精度评价方法和标准。以小浪底大坝的变形实测数据为例,进行基于传统GM(1,1)预测模型和优化GM(1,1)预测模型的计算比较。结果表明,基于优化的GM(1,1)预测模型精度更高。

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。

基于复合辛普森公式的GM(1,1)模型背景值的优化

背景值是导致GM(1,1)模型产生系统误差的主要原因之一,为提高模型的模拟效果和预测精度,根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建灰色系统模型。基于GM(1,1)模型背景值的几何意义,结合复合辛普森求积公式和动态序列模型,提出一种新的GM(1,1)模型背景值优化方法。实例表明,基于复合辛普森公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性。

基于三次Bézier基函数插值的GM(1,1)模型背景值优化研究

本文研究了传统灰色GM(1,1)模型存在模型精度不高的问题.利用带形状参数的三次Bézier基函数,给出插值函数的表达式,并结合复化梯形公式,给定误差限的方法,获得了比传统灰色GM(1,1)模型更高精度的结果.推广了传统灰色GM(1,1)预测模型的结果.

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。

修正的GM(1,1)在滑坡变形预测中的应用研究

针对传统灰色GM (1,1)在预测过程中,易受到周围环境因素的影响导致预测精度不高的问题,提出一种同时修正迭代初始值及背景值的GM (1,1)模型。首先基于灰色理论建模机理,迭代初始值选取x(1)(k)进行优化,消除建模过程中由x(1)(1)引起的扰动误差。其次采用复化Simpson积分公式对背景值进行构造,建立迭代初始值与背景值同时修正的GM (1,1)模型。最后依托工程实例进行研究分析,结果表明:同时修正迭代初始值及背景值的GM (1,1)模型精度优于传统模型,滑坡监测点预测值与监测值变形趋势一致。

修正的动态GM(1,1)在建筑物变形预测中的应用

文中针对传统GM(1,1)模型在预测过程中易受到随机扰动的影响导致预测精度低、残值大的问题,提出一种同时优化原始序列和背景值的动态GM(1,1)模型。首先采用卡尔曼滤波对原始序列进行降噪,消除建模过程中因原始序列引起的扰动误差;其次采用复化辛普森公式对建模过程中的背景值进行修正,建立同时优化原始序列和背景值的GM(1,1)模型;第三对优化后的模型实时引入最新的监测数据,剔除最旧的数据,建立修正的动态GM(1,1)模型。以某建筑物监测数据为例进行计算分析,结果表明:同时优化原始序列和背景值的动态GM(1,1)模型精度优于传统GM(1,1)模型,能准确预测房屋沉降变化趋势。

背景值优化的IANGM(1,1,k)模型

对IANGM(1,1,k)模型进行误差分析,基于Simpson公式对背景值进行优化,构建了新的BIANGM(1,1,k)模型;最后结合两类实际应用观测数据建模,验证了BIANGM(1,1,k)模型具有更高的模拟和预测精度,说明新模型具有更高的实用性。

基于Simpson公式的GM(1,N)建模的新算法

根据时间序列的结构与特征,对GM(1,N)灰微分方程进行了建模机理分析,并用数值积分算法提出了基于Simpson公式的建立GM(1,N)预测模型的新算法.用平均相对误差对一些时间序列进行了模型的实证分析,发现新算法的拟合精度比原有算法有明显的改进,从而验证了该算法对一些时间序列的有效性.所提出的新算法是建立GM(1,N)预测模型时值得尝试的一个方法,对GM(1,N)预测模型的合理应用具有一定的现实意义.

基于Simpson公式的灰色神经网络在GDP预测中的应用

文章基于Simpson公式改进的GM(1,1)灰色系统和神经网络组合模型对国内生产总值进行预测研究。首先,利用Simpson积分公式对GM(1,1)灰色系统的背景值进行改进。其次,通过相关性分析确定财政收入、财政支出、全社会固定资产投资、进出口差额、国家税收收入和社会消费零售总额6个因素为GDP的主要影响因素。接着,将灰色系统的预测值和影响GDP总量的6个因素同时作为BP神经网络的输入构建串联型灰色神经网络预测模型。对比分析GM(1,1)、Simpson公式改进的GM(1,1)、Simpson公式改进的灰色神经网络模型的计算结果,可明显看出基于Simpson公式改进的灰色神经网络预测精度最高。

基于复化Simpson公式的GM(1,1)模型背景值优化

针对传统灰色模型GM(1,1)存在的模型精度不高的问题,提出了复化Simpson公式结合动态序列模型的联合方法.给定误差限,利用给出的计算背景值算法,对GM(1,1)模型的背景值进行优化.实例表明,基于复化Simpson公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.

Simpson改进的灰色神经网络在汽车保有量中的预测

针对汽车保有量数据具有非线性和随机性的特点,建立基于Simpson公式的灰色神经网络模型对汽车保有量进行预测研究;利用Simpson公式对经典GM(1,1)灰色系统的背景值进行改进以提高模型的预测精度;通过相关性分析,确定国民总收入、人均国内生产总值、总人口、固定资产投资、进出口总额、钢材产量、社会消费品零售总额7个因素为汽车保有量的影响因素,并将7个影响因素作为BP神经网络的输入建立BP神经网路模型;根据灰色系统和BP神经网络预测误差大小确定组合模型的权重,构建灰色神经网络组合模型;对比分析经典GM(1,1)、Simpson公式的GM(1,1)、BP神经网络、灰色神经网络、Simpson公式的灰色神经网络模型的计算结果。研究表明:基于Simpson公式的灰色神经网络预测精度最高,其相对误差均在3%以内,相对误差的方差为3.2780,小于灰色神经网络模型和单一预测模型。

基于复化梯形公式的GM(1,1)模型背景值的优化

背景值是影响灰色理论建模精度的重要因素之一.根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建动态序列模型;基于积分几何意义的视角,利用函数逼近的思想,结合复化梯形公式,提出一种新的GM(1,1)模型背景值优化方法.算例结果表明,利用优化的背景值计算公式所建立的GM(1,1)模型在预测精度上有显著的提高.

日本落叶松生长的经验方程与灰色GM(1，1)模型研究

对日本落叶松三测树因子采用了5个经验方程和灰色GM(1,1)模型进行研究,经验方程中选中了柯列尔式,柯列尔式的各测树因子的残差平方和均小于GM(1,1)的残差平方和.

一种同时优化背景值和初始条件的GM(1,1)建模方法

针对传统灰色GM（1,1）模型中由背景值构造和初值选取不准确引起的固有模型误差问题,基于GM（1,1）建模机理和累加生成序列非齐次指数规律的特性,结合积分几何意义和函数逼近的思想,提出了一种同时优化背景值和初始条件的GM（1,1）建模方法。该方法通过构建区间动态序列模型,利用复化Simpson求积公式重构背景值,以一次累加数列各分量的加权平均值作为模型的初始条件,并根据误差平方和最小原则确定初始条件的时间参数。通过对深基坑围护结构变形监测数据进行分析,表明所提优化模型具有较高的建模精度。

灰色预测模型背景值的改进与应用

GM(1,1)灰色预测模型能够对含有不确定因素的系统进行预测,其已成为决策和系统分析的重要方法之一,但在预测中也会产生一定的误差,而背景值是导致GM(1,1)灰色预测模型产生误差的主要原因之一,为了降低灰色模型的预测误差,基于柯特斯公式和拉格朗日公式组合插值的方法建立一种新的灰色模型的背景值,将该模型应用于我国老年人口数的预测。数值实验表明,新模型极大地降低了预测误差,并增强了原模型的适用性。

基于GM(1,1)背景值重构的可靠性预测模型

分析GM(1,1)模型,提出用复化Cotes公式和牛顿插值法重构GM(1,1)背景值,并对改进模型模拟精度进行检验,与传统梯形公式构造背景值的预测模型相比,改进模型从1次代数精度优化到6阶收敛并且无明显震荡现象产生.将改进的GM(1,1)模型运用到某部件的腐蚀寿命预测中,理论分析与应用实例都说明本文提出的改进方法具有有效性.

残差修正的CGM(1,1)模型研究及应用

根据数值分析理论中的数值积分思想,对GM(1,1)模型的背景值和常数进行改进,形成残差修正的CGM(1,1)模型.实验结果表明,残差修正的CGM(1,1)模型可获得较高的模型精度.