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.

     

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.

     

基于直接估计法的NGM(1,1) 模型拓展

从近似非齐次指数序列的GM(1,1) 模型时间响应函数出发, 推导累加序列间的函数递推关系, 并给出求解时间响应函数参数值的直接估计方法. 在此基础上, 构建一种能同时模拟近似齐次和近似非齐次指数序列的新NGM(1,1) 模型, 该模型避免了模型参数估计从差分方程到微分方程的跳跃性误差, 并从理论上解释了新模型能模拟 齐次指数序列和非齐次指数序列的原因. 通过对新NGM(1,1) 模型与既有模型进行比较, 表明了所提出模型具有更优良的模拟和预测性能.

     

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.

     

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.

     

三次时变参数离散灰色预测模型及其性质

通过引入三次时间项来构造三次时变参数离散灰色预测模型(简称CDGM(1, 1) 模型), 并对模型的性质进行研究. 研究结果表明, CDGM(1, 1) 模型具有白指数重合性、线性规律重合性、二次规律重合性、三次规律重合性和伸缩变换一致性. 运用最优化理论研究了CDGM(1, 1) 模型的基值迭代问题, 并给出了模型的预测步骤和算法. 通过算例比较CDGM(1, 1)、DGM(1, 1) 和NDGM(1, 1) 三个模型的预测效果, 结果表明CDGM(1, 1) 的预测和模拟精度都得到了明显改善.

     

GM(1,1) 模型的病态性问题再研究

针对GM(1,1) 模型参数辨识过程中的病态性和稳健性问题, 一方面通过不改变预测精度的数乘变换将模型参数辨识过程中的病态性矩阵转化为良态矩阵, 另一方面利用适当的正交矩阵对原始数据序列实施正交变换, 将模型的参数辨识过程转化为具有递归形式线性方程组的求解过程, 从而避免参数辨识过程中出现的病态性问题, 提高模型的适用性. 最后通过算例和Monte-Carlo 数值模拟进一步验证了所提出方法的有效性.

     

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.

     

分数阶离散灰色GM(1,1) 幂模型及其应用

针对GM(1,1)幂模型时间响应式由离散估计到连续预测所存在的固有误差,建立离散灰色GM(1,1)幂模型,并将该模型扩展为分数阶离散灰色GM(1,1)幂模型;以最小化平均相对误差为目标、参数之间的关系为约束条件,构建关于序列累加阶数和幂指数的优化模型,并运用量子遗传算法确定模型的最优累加阶数和幂指数。通过对高速公路地基沉降和中国高新技术产业R&D发展两个实例的预测结果表明,分数阶离散灰色GM(1,1)幂模型具有良好的建模精度。     

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.

     

灰色GM(1,1,t α)模型与自忆性原理的耦合及应用

针对实际工程应用中传统GM(1,1)模型预测的局限性,以含时间幂次项的灰色GM(1,1,tα)模型为基础,构建了灰色GM(1,1,tα)与自忆性原理的耦合预测模型;用动力系统自忆性原理来克服传统灰色模型对初值比较敏感的弱点;将灰色GM(1,1,t2)自忆性模型应用于某沿海高速软土地基沉降的模拟和预测,获得了满意的模拟和预测精度.实验算例表明,所提出的新模型显著地改善了传统灰色预测模型的模拟预测精度.     

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.     

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。