基于改进的GM(1,N)模型的我国碳排放预测研究

“双碳”背景下,精准预测碳排放强度,有利于制定科学的减排路径,对于我国发展低碳经济具有重要的参考意义。为了提高预测精度,本文建立了时滞GM(1,N)幂模型,采用蜻蜓算法来为模型选择最佳幂指数,并给出了具体的模型构建方法和严格的数学证明。为了验证模型的适用性和有效性,本文将该模型与传统灰色模型进行了比较,并对我国2014~2021年的碳排放进行了模拟。结果表明,改进的GM(1,N)模型具有更好的模拟效果,因此,本文将其应用于我国碳排放预测,为制定科学的减排路径提供参考意见。

灰色多变量GM(1,N)幂模型及其应用

针对多变量少数据的系统建模问题,提出了灰色多变量GM(1,N)幂模型及其派生模型GM(1,N,x(1))幂模型,给出了其参数估计算式和近似时间响应式,在此基础上,分两种情况讨论了模型的参数优化方法,并通过数值模拟和应用实例验证了新模型的有效性.结果表明:传统的GM(1,N)模型是GM(1,N)幂模型的特殊形式,GM(1,N)幂模型能够更好地描述系统特征行为序列与其影响因素序列的非线性关系,从而有效地提高传统灰色多变量系统建模的精度.

融合粗糙集的GM(1,N)幂模型在短时交通流预测中的应用

实时准确的道路网短时交通流预测是智能交通系统的核心内容和难点问题.由于交通流的非线性、复杂性和不确定性,使得传统的交通流预测不能取得满意的效果.基于GM(1,N)幂模型,建立了一种道路网多段面短时交通流预测模型.考虑到上游路段与预测路段之间相关性,引入粗糙集理论确定模型的相关因素序列.针对传统参数求解方法最小二乘的不足,将问题转化为以拟合效果最优为目标的非线性优化模型求解,利用遗传算法(GA)搜索最优参数.通过实验例证,对比了GM(1,N)模型、GAGM(1,N)模型、BP神经网络和自适应神经模糊推理系统(ANFIS).结果表明,GAGM(1,N)幂模型对城市道路网多段面短时交通流的预测效果较好.