基于修正残差的G-Markov模型的河南省小麦产量预测

粮食产量是一个非平稳的时间序列,结合经典灰色理论和Markov模型所产生的修正残差的G-Markov模型,能较好地对非稳定时间序列的状态转移行为进行预测.以河南省小麦产量预测为例,在传统GM(1,1)模型的基础上,对其预测值与实际值的残差序列进行Markov模型预测,更好地发挥了两个模型的优势.经检验证明,修正残差的G-Markov模型在小麦产量预测方面比传统的灰色GM(1,1)模型具有更高的精确度.     

广东旅游产业供给侧改革与灰色预测研究

旅游业供给侧改革与灰色预测研究,有助于转变旅游发展理念、改革旅游经济增长方式,从而发挥旅游业对相关产业的综合拉动效应.选取广东省2004年至2015年旅游业统计数据,以广东接待过夜游客人数、旅游总收入为研究变量,利用Matlab计算GM(1,1)模型,通过误差分析、模型精度及残差检验、外推预测与修正等,结果显示"十三五"期间广东接待过夜游客人数、旅游总收入呈持续增长趋势.根据对广东旅游收入与人数灰色预测及研判,基于供给侧改革及全域旅游视域下,提出了培育旅游新业态、丰富旅游产品供给体系、促进旅游消费升级等产业转型发展、旅游品牌建设的针对性策略.     

未来奥运会田径运动成绩预测

本文通过建立GM(1,1)及残差修正的整体模型,对奥运会后续四届(第二十五——二十八届)的田径项目运动成绩进行预测,并对预测结果进行关联度和和后验差检验,绝大部分项目的精度在97％以上。另外,采用指数平滑法对原始数据进行修匀后再预测,结果更理想。     

基于残差修正GM(1,N)的成都市社会消费品零售额预测

通过介绍灰色GM(1,N)模型基本原理和改进措施,提出残差修正GM(1,N)模型。运用残差修正GM(1,N)模型对成都市社会消费品零售额进行预测。平均预测误差为10. 66997%,比非残差修正的灰色GM(1,N)模型的平均预测误差14. 60739%减小了26. 95499%,近期预测误差更小,2017年预测误差仅为1. 76773%。研究还发现,对成都市社会消费品零售额影响由大到小的因素为城镇化率、城镇居民人均可支配收入、地区人口数量、农村居民人均纯收入。     

灰色马尔科夫模型在旅游人数预测中的应用

对我国2004-2015年国内游客数据建立模型,用2016年和2017年的数据检验模型的预测精度.首先对其建立灰色GM(1,1)模型并预测,模型精度为97.465%,预测平均绝对残差为182.986 4.利用无偏灰色模型对其进行修正,与灰色模型相比,预测平均绝对残差减少了0.629 4.然后又建立了传统灰色马尔科夫模型和无偏灰色马尔科夫模型,两种模型的精度都达到了99%,预测平均绝对残差分别为11.022 3和7.105 6,因此,两种模型的拟合和预测效果都大大提高.最后利用相对最优模型无偏灰色马尔科夫模型预测我国2018-2020年的国内游客数分别为:5 639.366 8百万人次、6 363.854百万人次、7 181.415 7百万人次.     

最小一乘准则GM(1,1)模型

针对相关文献的边值修正GM(1,1)模型中,边值修正项和模型检验均采用最小一乘准则,而模型参数估计采用最小二乘准则的不协调性,将最小一乘准则应用到模型参数估计中,统一了模型参数、边值修正项和模型精度检验的准则,得到了真正意义上的最小一乘准则GM(1,1)模型.计算实例说明,最小一乘准则GM(1,1)模型具有很好的精度和稳健性.     

改进的灰色模型在基础沉降预测中的应用

一般的灰色残差修正GM(1,1)模型只是单纯利用差分来代替微分,而且用原始沉降数据第一点的值作为时间响应函数的初始值,导致了一定的误差。提出一种多项式逼近法改进后的残差修正GM(1,1)模型,该模型利用多项式在离散观测点上的导数代替常用的差分,同时添加一个初值参数C_0做出调整。实验验证,改进模型具有较好的准确性和工程应用价值。     

基于GM(1,1)-Markov链组合模型的河南省粮食产量预测

针对粮食产量预测中随机性和波动性特点,建立适用性较强的GM(1,1)-Markov链组合模型。选取2006-2019年河南省粮食产量为原始数据序列,建立GM(1,1)-Markov链预测模型,对河南省2020-2022年的粮食产量进行预测。从平均相对误差、后验差比和小误差概率三个方面对模型进行检验,模型精度标准均为一级。GM(1,1)-Markov链模型的平均相对误差和平均绝对误差相对于GM(1,1)模型分别减小了25.32%和21.81%,表明该模型对河南省粮食产量预测有较高的实用性。     

丽江海外旅游人数预测的GM(1,1)模型优化

分析传统灰色GM(1,1)模型存在的缺陷,从数据处理、初值选取与背景值改进三个角度提出一种GM(1,1)模型的综合优化方法.对原始数据进行线性对数-指数函数变换,以预测值与真实值的误差平方和最小原则重选初值,用累加序列拟合曲线积分重构背景值.综合优化的GM(1,1)模型应用于丽江海外旅游人数预测,与传统GM(1,1)模型对比,平均相对误差从2.43%改进为2.07%,关联度检验效果由"不满意"提高到"满意".     

改进的灰色GM(1,N)模型在经济中的预测与应用

论文就修正GM(1,N)预测模型的误差,提出了新方法.使用BP神经网络对预测模型的残差进行预测,得到的残差预测值对所建模型的预测值进行残差修正,以减少因子变量预测误差对行为变量预测的影响.实践表明这些改进模型可以有效地提高GM(1,N)模型的预测精度.     

基于神经网络优化的非线性灰色伯努利模型

非线性灰色伯努利模型广泛运用于非线性系统的预测,其预测精度很大程度上取决于参数的选择。试以线性规划的方法通过MATLAB求解其最优参数并针对非线性灰色伯努利模型预测残差以人工神经网络的方法进行修正。最后通过实际算例与GM(1,1)和灰色Verhulst模型相比较证明本文所提供方法具有较好的实用性和有效性。     

基于灰色优化GOM模型的道路交通事故预测

道路交通事故的发生存在诸多不确定因素,为研究其内在规律,掌握其发展趋势,对道路交通事故进行有效预测具有重大意义.以福建省2008-2012年道路交通事故次数为例,应用灰色系统理论,构建道路交通事故次数灰色GM(1,1)预测模型和灰色优化GOM模型,对事故原始数据经生成处理后预测分析,通过对比两者所得出的相关指标,结果表明灰色优化GOM模型较灰色GM(1,1)模型的预测精度高,适合对未来道路交通事故进行预测.     

海城地区春季降水量模型

根据海城气象局提供的近20多年的实测降雨量资料,利用灰色理论建立了灰色预测GM（1,1）模型对海城春季降雨量进行预测．用残差检验、关联度检验等分析、验证了模型的精度．最后根据实测资料对预测结论进行了实际检验．     

基于改进灰色模型的中长期电力负荷预测

在中长期负荷预测中,由于电力负荷具有突变性,常规GM（1,1）模型不能及时反映负荷的突然变化,对于发生转折的数据预测精度不高,在实际应用中具有一定的局限性。通过对负荷原始数据序列的预处理及优化,利用等维新息递推GM（1,1）模型进行预测,保证了预测能够较为充分地利用新信息,并加入了残差模型,通过实例分析表明,改进后的模型比常规GM（1,1）模型提高了预测的精度。     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

基于Markov链修正的乐山市物流需求预测

以货运周转量度量物流需求,运用GM(1,1)模型,结合excel 2003及mathematic5.0软件,预测乐山市"十二五"期间物流需求量,并采用Markov链对预测值进行修正。结果表明基于Markov链修正的GM(1,1)模型对物流需求预测是科学、可靠的,可为政府制定物流业近期发展政策提供定量依据。     

基于变周期三角函数—灰色GM(1，1)模型的设备故障间隔时间预测

针对设备故障预测模型难以精确建立的特点,为提高故障间隔时间预测的精确度,提出了变周期三角函数-灰色模型GM(1,1)的预测方法。该方法在三角函数-灰色模型GM(1,1)基础上,建立了变周期三角函数—灰色GM(1,1)的组合模型,实现了对设备故障间隔时间的预测;并将预测结果与三角函数-灰色模型GM(1,1)进行对比,结果表明,采用变周期三角函数-灰色模型GM(1,1)对故障间隔时间进行预测,其预测结果的相对误差由24.16%降到3.24%,提高了预测结果的精度。     

基于模糊时间序列模型预测三亚旅游总收入

提出模糊时间序列预测的一种改进方法,重新研究杭州宋城主题公园旅游收入预测问题,历史数据的模拟预测时的AFER比应用GM(1,1)灰色模型预测时更小,因此就杭州宋城主题公园旅游收入预测问题的案例而言,模糊时间序列预测的一种改进方法比GM(1,1)灰色模型的预测精度要高。应用该方法研究三亚市旅游总收入预测问题,不仅进行历史数据模拟预测研究,还进行未知年数据的预测研究。该方法预测公式结果简洁,计算方便,历史模拟预测误差率较小,是一种可行的短期预测方法。     

基于灰色GM(1,1)模型的安徽省电力消费量预测

利用2005~2012年安徽省电力消费量统计数据,建立了一个电力消费量预测的灰色GM(1,1)模型.模拟结果表明,灰色GM(1,1)模型比较合理地反应了安徽省电力消费量的增长趋势,并且预测精度较高,误差较小,为电力消费量预测提供了一个科学而有效的方法.     

基于改进灰色模型GM(1,1)的故障间隔时间预测

针对设备故障预测模型难以精确建立的特点,为提高故障间隔时间预测的精确度,提出了变周期三角函数-灰色模型GM(1,1)的预测方法。该方法在三角函数-灰色模型GM(1,1)基础上,建立了变周期三角函数—灰色GM(1,1)的组合模型,实现了对设备故障间隔时间的预测;并将预测结果与三角函数-灰色模型GM(1,1)进行对比,结果表明,采用变周期三角函数-灰色模型GM(1,1)对故障间隔时间进行预测,其预测结果的相对误差由24.16%降到3.24%,提高了预测结果的精度。