基于等维新息灰色马尔可夫模型的校准间隔预测

针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,建立了等维新息马尔可夫GM(1,1)预测模型.在等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测.     

基于改进灰色预测模型的交通事故预测模型研究

为了提高交通事故数据预测的准确度,采取GM(1,1)和OSDGM(1,1)等单一模型,对2008-2019年我国交通事故死亡人数数据进行分析。根据GM(1,1)和OSDGM(1,1)模型建立最优加权组合模型,使用Verhulst模型对建立的加权组合模型进行残差修正,并借助灰色模型精度评价指标对预测结果进行检验。预测结果表明,GM(1,1)、OSDGM(1,1)模型和改进的灰色预测模型的预测结果的平均相对误差分别为4.35%、4.30%和1.19%,且改进的灰色模型通过精度指标检验,说明改进灰色预测模型具有较高的精度。     

具有幂指数律重合性的GM(1,1) 幂模型

针对传统GM(1,1) 幂模型不具备幂指数律重合性的问题, 分别从灰导数和背景值两个方面改进GM(1,1) 幂 模型的灰色微分方程, 提出了两种具有幂指数律重合性的GM(1,1) 幂模型并从理论上加以证明. 通过变换将两个具 有幂指数律的灰色微分方程转化成完全一致的形式, 在此基础上进行参数估计. 数值模拟和应用实例表明, 具有幂指 数律重合性的GM(1,1) 幂模型能够有效地提高模型的模拟和预测精度.

     

一种基于灰色残差模型的建筑物沉降预测

建筑物沉降预测成为工程建设中亟待解决的一大技术难题。应用灰色残差GM(1,1)模型对建筑物沉降进行模拟和预测,解决了传统GM(1,1)模型预测精度不高的问题。结果表明,灰色残差GM(1,1)模型误差较小,可以较好地预测建筑物沉降变形。     

基于组合插值的GM(1,1)模型背景值的改进*

针对 GM(1,1) 模型预测误差偏大的问题,对GM(1,1)模型背景值的构造形式进行了研究。为了能够更加有效地降低GM(1,1)模型的预测误差,提出了基于辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值。在GM(1,1)模型的建模过程中,由于原始建模数据序列中的第一个数据没有参与建模, 导致原始数据序列的数据资源利用效率降低,影响了GM(1,1)模型预测精度。因此,可以通过把灰色协调系数b加在原始建模数据序列前面的方法,使第一个数据能够参与到GM(1,1)模型的建模过程中。为了检验模型的改进效果,进行了原始建模数据类型分别为纯指数型数据序列、稳定型数据序列和缺失型数据序列的三组实验。对每组测试实验的预测结果进行对比分析,可以发现,基于组合插值方法对GM(1,1)模型的背景值进行改进,可以极大地降低GM(1,1)模型的模拟和预测误差。改进后的模型具有比较好的预测稳定性,增强了GM(1,1)模型的适用性。     

基于灰色G(1,1)和小波神经网络的预测模型及应用

将灰色系统、小波分析和三层BP神经网络各自优点集于一身建立了基于灰色G(1,1)和小波神经网络的预测模型,大幅度提高了模型的预测精度和可靠性。选用我国自1994年至2006年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,将拟合值做小波神经网络的输入进行二次拟合和预测。实验结果及仿真验证表明,本文模型预测效果远优于单一的灰色模型预测。     

时变参数GM(1, 1) 幂模型及其应用

为了进一步增强灰色预测模型对原始数据的适应能力,提出一种时变参数GM(1,1)幂模型,通过引入多项式函数描述GM(1,1)幂模型的结构参数随时间的动态变化规律。根据建模样本量的不同,分3种情形给出了模型的参数辨识算式,同时给出了时变参数GM(1,1)幂模型白化方程的解析解,利用积分复合梯形公式将其转化为可用于预测的离散时间响应式,并提出了参数优化方法。应用实例表明,时变参数GM(1,1)幂模型比固定参数GM(1,1)幂模型具有更高的模拟和预测精度。     

基于灰色预测模型的个人建房分析

灰色模型具有所需数据少、预测精度高和无需先验信息的特点.本文通过建立GM(1,1)模型对某区的农村个人建房进行预测,为相关职能部门提供科学的决策依据.结果表明灰色预测模型精度较高、预测误差较小、简捷实用.     

灰色预测控制的无偏GM(1,1)模型

灰色预测控制已在过程控制中得到了广泛应用,控制器的核心模型是GM(1,1)模型,该模型是有偏差的指数模型.作者导出了GM(1,1)模型的偏差公式,并在此基础上提出了无偏GM(1,1)模型.本文介绍无偏GM(1,1)模型,并用实例显示了无偏GM(1,1)模型的优越性.     

改进灰色GM(1,m)模型在变压器故障预测中的应用

针对灰色模型在预测变压器故障时对波动数据序列的预测误差较大的问题,提出了一种灰色GM(1,m)预测模型改进方案:对原始数据序列进行处理,使其具有更好的指数规律,以满足预测模型对光滑性的要求;对处理过的原始数据序列进行灰关联度分析,以得到各变量之间的关系;优化预测模型的背景值并用其建模;采用等维新息模型预测数据。采用改进的灰色GM(1,m)模型预测某变压器油中7种特征气体的体积分数,所得预测数据的平均残差和后验相对误差均小于GM(1,1)模型和传统GM(1,m)的预测结果,表明其具有更好的预测精确度。     

基于互逆分数阶算子的GM(1,1) 阶数优化模型

在互逆的分数阶累加生成算子和分数阶累减生成算子的基础上, 建立分数阶算子GM(1,1) 模型, 均值GM(1,1) 模型是当?? = 1 时的特例. 给出分数阶算子GM(1,1) 模型最小平均相对误差下最优阶数的粒子群优化算法.多个验证实例表明, 通过对阶数进行优化, 分数阶算子GM(1,1) 模型可具有比GM(1,1)、DGM(1,1) 等模型更高的拟合精度.

     

近似非齐次无偏GM(1,1) 模型的递推解法及应用

针对传统近似非齐次灰建模可能出现参数复数解的问题, 提出无偏灰色GM(1,1) 模型的递推解法, 从而减少由差分方程向微分方程跳跃而导致误差的问题. 给出不同初始条件下非齐次无偏GM(1,1) 模型的递推预测公式,并在此基础上, 将递推公式运用于时间序列分段, 提出基于近似非齐次无偏GM(1,1) 模型的时间序列分段表示方法. 实例结果表明, 所提出的递推模型能够获得较高的拟合精度, 分析结果验证了基于灰色预测模型在时间序列分段表示中的有效性和实用性.

     

非等间隔GM(1, 1, ????) 幂次时间项模型及其应用

GM(1, 1, ??^??) 幂次时间项模型是灰色GM(1, 1) 模型的推广. 在灰色GM(1, 1) 模型和等间隔GM(1, 1, ??^??) 幂次时间项模型的基础上提出非等间隔GM(1, 1, ??^??) 幂次时间项模型, 并对模型进行求解. 讨论了GM(1, 1, ????) 幂次时间项模型的曲线形状、发展系数以及幂指数间的关系, 研究了非等间隔GM(1, 1, ??^??) 幂次时间项模型的参数空间. 将平均相对误差看成幂指数的函数, 根据序列形状判断幂指数的范围, 并利用粒子群算法求解幂指数. 实际应用验证了所提出模型的有效性.

     

基于互逆分数阶算子的离散灰色模型及阶数优化

针对现有灰色预测模型主要以一阶累加生成序列为建模序列这一现象, 在互逆的分数阶累加生成算子与分数阶累减生成算子的基础上, 建立分数阶算子离散灰色模型, 并给出最小平均相对误差下最优阶数的自适应粒子群优化算法. 多个实例表明, 通过阶数优化, 分数阶算子离散灰色模型相对于灰色模型GM(1,1) 和离散灰色模型DGM(1,1) 表现出更优的拟合精度.

     

基于初始条件优化的一种非等间距GM(1,1) 建模方法

针对非等间距GM(1,1) 模型的预测问题, 提出一种优化初始条件的方法. 以非等间距一阶累加生成序列各分量的加权平均作为优化的初始值, 根据新信息优先原理, 将一阶累加生成序列的序数序列的单位化序列中各分量作为权重, 利用原始序列与模拟序列误差平方和最小的原则确定初始条件中的时间参数, 建立优化的非等间距GM(1,1) 模型. 最后, 通过算例验证了所提出的非等间距优化模型的有效性和可行性, 同时表明了该优化模型可以提高预测精度.

     

灰色GM(1,1) 分数阶累积模型及其稳定性

基于矩阵扰动理论, 研究利用累积法估计GM(1,1) 模型参数时解的稳定性问题. 研究结果表明: 累积的阶数越高, 解的扰动界越大; 在扰动值相等的情况下, 新数据相比于老数据, 解的扰动界较小; 新数据对解的影响较小, 这与新信息优先原理相矛盾. 对此, 提出分数阶累积法, 当阶数小于1 时, 这种矛盾有所缓解, 解的扰动界也较小. 最后通过具体实例验证了分数阶累积法的实用性与可靠性.

     

多变量时滞GM(1,??) 模型及其应用

针对具有时滞因果关系的小样本系统建模问题, 提出一种灰色多变量时滞GM(1,??) 模型及其求解方法; 考虑到相关变量累加序列变化量较大的情形下, 驱动项不能被视为灰常量的问题, 给出了时滞GM(1,??) 模型的一种派生模型. 在此基础上, 通过数值仿真和实例分析验证了新模型的有效性. 数值结果表明: 时滞GM(1,??) 模型能够较好地描述和预测含时滞特征的小样本数据系统的运行规律, 不考虑相关因素的时滞作用时, 时滞GM(1,??) 模型退化为经典的GM(1,??) 模型.

     

基于发展趋势和认知程度的区间灰数预测

以GM(1,1)模型为代表的灰色预测模型实际上是对白数的建模和预测,而不是对区间灰数的建模和预测.发展趋势和认知程度两个维度可以很好地描述区间灰数序列,对此,可先将区间灰数序列转化成相应的发展趋势序列和认知程度,然后对区间灰数序列进行预测.这样,既避免了区间灰数预测过程中的灰数运算问题,又充分利用了区间灰数序列自身所包含的信息.通过具体实例验证了所建模型的有效性.     

正态分布区间灰数灰色预测模型

近期灰数预测主要关注无分布信息和均匀分布区间灰数预测. 基于灰朦胧集演化思想, 研究在不确定信息广泛存在的正态分布背景下, 正态分布区间灰数序列的灰色预测问题. 首先, 通过正态分布随机函数实现区间灰数序列与实数序列族的信息等效转换; 然后, 对正态分布区间灰数随机白化序列进行GM(1,1) 建模, 利用最大值最小值及正态分布“3?? 法则”建立区间灰数预测模型; 最后, 通过实例对比分析验证了所提出模型的可行性和有效性, 为区间灰数预测问题提供新的思路和方法.