初始条件自适应优化的ANGM(1,1)模型及其应用

少数据、贫信息的非等间距序列预测建模是灰色系统理论的重要内容之一,也是现实工程应用中经常遇到的难题.本文基于自适应优化的初始条件,构建了ANGM(1,1)优化模型.首先,在对已有初始条件优化的非等间距GM(1,1)模型缺陷分析基础上,设计出新型的初始条件自适应优化方法.该方法依据1-AGO序列各时点分量的实际值构建权重分配方程,既保证每个时点信息的充分利用,又自适应调整新旧信息的权重大小.然后,根据建模序列的特征,给出时间参数求解的两个准则及其推导公式,进而构建优化模型.最后,分别利用单调和波动两种特征的实际案例数据,构建4种初始条件优化模型,结果显示本文模型预测效果最好,表明本文模型的适用性和稳定性.

基于初始条件优化的GM(1,1)幂模型及其应用

针对GM(1,1)幂模型幂指数和初始条件优化问题,提出了一种基于初始条件和幂指数协同优化的方法。根据新信息优先原理,通过引入权重信息控制函数优化初始条件,表现新旧信息在初始条件构建中作用大小的变化规律,最大限度提取小样本序列中的有效信息,反应新旧信息共同对系统趋势变化的影响;以平均相对误差最小化为目标,参数间约束关系作为条件,构建非线性优化模型,实现GM(1,1)幂模型的幂指数和初始条件协同优化。最后,通过我国网络购物用户规模预测实例研究表明,优化的模型实现模型平均相对误差在理论上的最小化,其建模效果要优于其他对比模型,并将其用于2016-2020年网购用户规模预测,表明本文模型的实用性和有效性。