灰色NGM(1,1,k)模型背景值优化方法

传统灰色NGM(1, 1, k)模型的参数估计误差是导致该模型精度不稳定的重要因素,研究面向背景值优化基础上的参数估计方法是提高灰色模型性能的重要手段.通过积分变换,得到与NGM(1, 1, k)模型白化方程匹配的灰色微分方程,推导出背景值优化公式,从而构建背景值优化的新NGM(1, 1, k)模型,并从理论上解释新模型能同时模拟严格齐次和非齐次指数增长序列的原因.进一步通过算例和实例验证了所提出的模型均能显著提高序列的模拟和预测精度.     

MGM(1,m)模型背景值的优化

基于MGM（1,m）模型时间响应式的形式和累加生成序列的准指数规律,研究了该模型的背景值优化问题．在分析传统MGM（1,m）模型背景值误差的基础上,利用非齐次指数函数逼近模型中各变量的一阶累加生成序列,经过一系列数学公式的推导,得到了MGM（1,m）模型背景值的优化公式．通过实例表明了该式的优化效果,同时表明了采用背景...     

灰色DNGM(1,1)预测模型及其优化

传统的灰色GM(1,1)预测模型是针对近似齐次指数序列建立的预测模型。为了拓广灰色预测模型的适用范围,建立了近似非齐次指数序列的灰色DNGM(1,1)预测模型。研究了这种灰色预测模型的性质,证明了这种模型都具有线性不变性,也能够完全拟合非齐次指数序列。考虑到初值条件对灰色模型的影响,对该模型进行了参数优化。数据仿真和实例分析表明,灰色DNGM(1,1)预测模型具有较高的预测精度。     

改进的灰色GM（1，1）预测模型

为进一步提高灰色GM（1,1）模型的模拟精度和预测精度,分析传统GM（1,1）模型存在的缺陷,提出一种改进的GM（1,1）预测模型。对已有GM（1,1）模型的背景值构造公式进一步优化,基于最小二乘法原理改进模型初始值参数的选取策略。对比实验结果表明,改进的模型适用于低增长序列和高增长序列,拓宽了传统GM（1,1）预测模型的应用范围,提高了模拟精度和预测精度。     

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.     

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。     

含分数阶多项式的离散灰色预测模型及其应用

为了进一步提高含时间幂次项的灰色预测模型的拟合预测精度,通过引入分数阶多项式,提出灰作用量优化的FPDGM(1,1,N)预测模型.在经典的DGM(1,1,$ N $)模型的基础上,将灰作用量整数阶多项式拓展为分数阶多项式,使得构造的模型能够生成更加贴近于一般特征的时间响应序列,从而得到拟合预测精度更高的灰色预测模型.对该模型的建模机理、参数估计、递推时间响应式等进行研究,并讨论模型参数几种特殊取值下该模型的性质.研究表明:DGM(1,1)模型、NDGM(1,1)模型和DGM(1,1,N)模型等均是FPDGM(1,1,N)模型的特殊形式,因此,该模型在形式上统一了现有的含时间幂次项灰色模型,扩大了灰色预测理论的应用范围.最后通过实验表明,所提出的新模型具有更好的拟合和预测精度,从而验证了所构建模型的有效性和适用性.     

灰色预测模型的Delphi编程实现

在许多工程系统中，由于灰色模型特有的优点，该模型常常作为预测模型来使用，本文提出了一种基于Delphi的灰色预测模型的实现方法，并给出具体的源程序。     

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。     

基于多维灰色模型及神经网络的销售预测

在时尚销售领域,如服饰、手袋、钱包等,准确的销售预测对企业非常重要.然而由于客户的需求受诸多因素的影响,要做到准确的销售预测一直是一个富有挑战性的问题.基于改进的多维灰色模型（GM（1,N））和神经网络（ANN）提出一种混合模型来预测销量,其中多维灰色模型对销售数据建模,神经网络对误差进行校正.该混合模型的优点是考虑了影响客户需求的因素与销量之间的关系.通过对阿里天猫销售数据来评估混合模型的表现,实验结果表明,所提出的混合模型的预测结果要优于其他几种销售预测模型.     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

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。     

基于优化的非等间距灰色模型对健康的预测

针对通过有限的不等时间间隔的健康数据预测未来健康情况难度较大,传统的非等间距灰色预测模型在应用中精度偏低的问题,本文提出一种优化的非等间距灰色马尔科夫预测模型。首先,该模型通过数据预处理和优化预测流程降低数据突变对预测结果造成的影响;其次,设计最佳权重系数来优化模型的构建;最后,采用灰色和马尔科夫修正相结合的策略对残差进行修正。经过实例和对比分析,结果表明,该优化模型具有更高的预测精度,从而可以相对准确地预测短期健康情况。     

基于改进非等间隔灰色预测模型的导弹退化状态预测

针对导弹退化状态预测中存在的测试数据不等间隔、小样本,使用传统非等间隔灰色预测模型(Unequal Interval Grey Model, UGM(1,1))预测精度不高的问题,通过分析传统UGM(1,1)的建模过程,对传统UGM(1,1)的背景值构造方式进行优化,设计一种新的背景值计算公式,进而提出一种基于背景值优化UGM(1,1)预测模型的导弹退化状态预测方法。以贮存状态下的某型导弹为例,实现关键参数预测,结果验证了该方法的合理性与有效性。     

基于灰关联理论和神经网络的价值预测方法

为了预测股票价格的短期走势,在预测算法中引进RBF神经网络,利用RBF神经网络具有唯一最佳逼近、无局部极小、学习速度快的特点,在预测股票行情时,能达到较高的精度。同时,为了优化RBF网络的输入参数结构,引入二次参数的概念,设计了基于灰关联理论的技术指标选择控制器,从众多的技术指标中选出部分最能反映股票近期趋势的指标,从而获得包含股市本质信息的低维输入,大幅度减少了运算量。最后,在综合两者优势的基础上构造了一种新型价值预测系统,该系统具有较快的运算速度和较高的预测精度。仿真实验表明,该方案是可行的。     

基于改进灰色模型的仿真数据预测

为解决仿真中的实时性问题,提出利用灰色预测模型进行仿真数据预测的方式加快仿真速度,并针对灰色模型在仿真数据预测方面实际应用时的问题做出了相应的改进;首先利用三次样条插值对非等时距序列进行插值处理得到等时距的序列;然后改进了灰色模型建模过程中的背景值计算过程;最后在持续的预测过程中结合新陈代谢的思想,弱化旧数据、强化新数据对模型的影响;最后将灰色模型接入到飞机分布式虚拟仿真平台中进行验证,验证结果表明改进后的灰色预测模型性能更好,接入到仿真平台中能加速8.9%,效果明显。