非线性灰色预测模型在房地产投资价格中的应用

房地产价格预测是房地产投资决策必不可少的工作之一。本文用非线性灰色预测模型，对房地产投资价格进行了预测分析。通过实例证明此模型具有要求样本数据少、运算方便、短期预测精度高等优点，在房地产投资价格预测中能取得令人满意的效果。     

全球稀土消费预测模型研究

为了准确把握全球稀土消费变化,本文在分析单整自回归移动平均(ARIMA)模型与非线性灰色伯努利(NGBM)模型特点的基础上,采用粒子群优化算法(PSO)对非线性灰色伯努利模型的参数进行了优选,建立了ARIMA耦合PSO-NGBM的全球稀土消费的时间序列预测模型。该模型将全球稀土消费时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用PSO-NGBM模型对其非线性残差进行估计,最终合成为整个序列的预测结果。预测结果表明,耦合模型的预测准确率显著高于单一的ARIMA模型的预测准确率,从而证实了耦合模型用于全球稀土消费预测的有效性。     

基于灰色BP神经网络模型的电网工程造价预测研究

提高电网工程造价预测水平,是在巨大投资精益化管理要求的大环境下,精准化实现控制成本、提高投资效率的重要保障。为提高工程造价预测精准度,针对BP神经网络模型易陷入局部极小值、收敛速度慢、预测不够准确及灰色预测模型光滑离散度低、未考虑分布规律等缺点,提出将BP神经网络模型和灰色预测模型相结合的方式,构建一套基于灰色理论的BP神经网络预测模型。     

灰色神经网络在轴承故障预测中的应用

为提高旋转机械中滚动轴承故障预测的精度,提出灰色神经网络预测模型。利用训练样本数据,使用灰色神经网络模型完成训练过程;基于已训练好的模型对未来时间点的运行状态进行拟合,实现轴承的故障趋势预测。相比采用单一的BP神经网络预测模型,该组合模型具有较高的精度,对轴承故障趋势预测有一定的现实意义。     

基于灰色预测模型的上海市实际利用外资预测

经济预测的模型有很多种,但通常需要大量的统计数据为基础。而灰色预测所需的历史数据少且预测的结果准确性高。基于灰色预测模型作上海市实际利用外资额的预测,预测结果与上海市2002~2008年的统计年鉴数据进行验证,平均误差在2%以内,精确度相对可靠,因而灰色模型预测为该宏观经济预测提供了一种可行性选择。     

民用汽车保有量的灰色预测模型研究

一、灰色数列预测模型建立 灰色预测指以GM(1,1)模型为基础所进行的预测。灰色模型有五种:(1)数列预测;(2)灾变与异常值预测;(3)季节灾变与季节异常值预测;(4)拓扑预测;(5)系统预测。本文对汽车保有量的预测采用灰色数列预测。 本文对传统的GM(1,1)模型的建立过程进行了改造,用线性回归来建立GM(1,1)模型,用显著性检验方法代替关联度和后验着进行精度检验和参数识别。     

灰色模型的优化及其在沉降数据分析中的应用

本文利用Matlab根据灰色系统理论建立GM模型对变形数据进行分析预测进一步探讨了灰色模型参数的优化、累加生成次数对模型精度的影响、模型处理变形数据的跨度,并利用Matlab语言编写了变形数据处理程序实现了变形预测模型的建模和预测。     

基于残差灰色预测模型的用电量预测

为提高用电量的预测精度,适应电力营销需求,在传统灰色预测技术的基础上,本文建立了残差灰色预测模型,并通过实例分析验证了该模型的实用性和精确性.     

国际煤炭市场价格预测的复合小波神经网络模型研究及应用

我国加入ＷＴＯ后 ,煤炭市场也必将与国际煤炭市场接轨 ,合理准确地预测国际煤炭市场价格的趋势与走向 ,对我国的煤炭出口、生产以及投资决策都具有十分重要的意义。近年来 ,灰色预测模型和人工神经网络模型用于非线性时间序列预测较为引人注目 ,其优点是它们在建模时都不需要计算统计特征 ,从理论上讲 ,可以适用于任何非线性时间序列的建模 ,但也有其不足之处。灰色预测方法由于其模型特点 ,比较适合于具有指数增长趋势的实际问题 ,对于其它变化趋势 ,则有时拟合灰度较大 ,导致精度难以提高。人工神经网络方法在应用中难以科学地确定网络结…     

区域R&D经费投入结构的灰色优化预测方法

针对R＆D投入产出体系运行机理不明确,从而导致难以实现R＆D投入结构优化预测的问题,本文利用灰关联分析法确定R＆D经费投入对科技产出的贡献度,建立目标函数;同时,运用灰色预测模型对各结构指标和总量指标进行预测,建立约束条件,最终构建R＆D经费投入结构的灰色优化预测模型。最后,对江苏省＂十一五＂期间R＆D投入结构进行预测与优化,给出了该省＂十一五＂R＆D投入的最佳配置方案,验证了本文方法的可行性与有效性。     

基于灰色-马尔柯夫模型的建筑安全事故死亡人数预测

建筑安全事故预测是建筑安全评价和决策的基础.灰色预测适合于时间短、数据量少和波动不大的系统对象,而马尔柯夫链理论适用于预测随机波动大的动态过程.结合灰色预测和马尔柯夫链理论的优点,提出了一种灰色马尔柯夫预测模型,并运用灰色-马尔柯夫模型,对1999～2009年全国建筑安全事故死亡人数进行了预测分析.结果表明,该模型既能揭示死亡人数变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性.     

房价预测模型的比较研究

本文以全国历年房屋年平均销售价格作为原生时间数据序列,根据其特点建立了灰色-马尔柯夫预测模型和n次多项式模型,并比较了这两种模型的预测精度.算例的研究结果表明,在预测房价时五次多项式模型比灰色-马尔柯夫模型的预测精度要高.故适当的n次多项式模型可为房价预测提供较准确一种预测模型.     

灰色马尔柯夫链在投资预测中的应用

本文针对电力工程项目投资受施工阶段性和施工干扰等因素影响,呈现随机波动性大的特点,将灰色GM(1,1)预测模型与马尔柯失链相结合,提出了灰色马尔柯夫链预测模型,并通过工程实例和与其它的传统预测方法相比验证,证明该模型预测精度高,适宜于随机波动性大的工程项目投资预测。     

基于灰色模型和最小二乘机原理的区域水资源供需组合预测研究

文章将灰色模型和最小二乘机模型进行组合,并将组合模型用于辽宁西部区域水资源供需预测中。研究结果表明:组合模型可综合考虑不同模型的优点,进行加权组合预测,相比于单一预测模型,组合预测模型在区域水资源供需预测中具有较高的预测精度,预测误差得到明显改善。研究成果对于区域水资源供需预测方法提供参考。     

基于SARIMA-SVR组合模型的 空气质量指数预测

空气质量指数(AQI)在波动中既具有整体的时间序列线性特征和明显的季节性波动周期,又具有多种因素影响的不确定性,为了提高AQI的预测精度,基于Ri386 3.3.3和Matlab R2014a两种编程软件,提出了一种同时具有线性和非线性的复合特征的时间序列预测模型——SARIMA-SVR组合模型。以太原市2014年1月—2019年7月的AQI月均值数据为基础,利用SARIMA时间序列模型进行线性预测,利用SVR模型对残差进行非线性预测,加和得到组合预测模型的预测结果,分析比较SARIMA,SVR和SARIMA-SVR这3种模型的预测结果和平均绝对百分比误差。结果表明,组合预测模型发挥了2种模型各自的优势,相较于单一预测模型的预测结果而言,其预测精度更高,稳定性更好。通过此模型得到的空气质量预测结果不仅可为人们的日常生活提供指导,而且可为大气污染的防治工作提供科学依据和借鉴意义。     

基于灰色系统理论的我国石油消费需求预测研究

采用灰色系统理论的预测方法,以1998至2005年我国石油消费量与国内生产总值(GDP)为基础数据,建立了我国石油消费需求增长的灰色系统预测模型GM(1,2),并对我国未来的石油消费需求进行了定量预测。结果表明,未来我国石油需求将快速增长,2010年将超过5亿吨,我国石油供应安全将面临严峻的挑战。     

灰色模型在股票价格预测中的应用——以中国石化为例

通过对原始数据进行筛选,将GM(1,1)模型用于股票预测,对交易日收盘价格进行预测,并以中国石化(600028)2012-01-04至2012-12-31的交易数据为例进行了分析。分析结果表明,灰色预测模型的平均预测准确度为98.63%。考虑到股票交易规则,42%的预测数据为有效预测,有效预测的平均预测准确度为99.31%。     

生态环境基础设施项目投融资灰色GM(1,1)预测模型

主要从生态环境基础设施项目分阶段融资需求分析入手,对投融资需求规模预测、适合的投融资渠道选择、具体投融资模式确定等研究.构建了灰色GM(1,1)环境项目融资需求预测模型;以2000-2005年环境基础设施投资总额数据资料,对生态环境基础设施项目融资需求预测模式进行了预测,并对预测结果进行了检验.     

基于小波变换和贝叶斯证据推断框架下的LS—SVM短期风速预测

基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机（LS-SVM）回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1h的预测,预测的平均绝对百分比误差为7．63％,提高了预测精度。预测结果表明：基于贝叶斯证据推断框架下的LS—SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。     

基于ARIMA-GRACH模型的现货电价预测

通过建立ARIMA预测模型对现货电价进行预测,并对ARIMA模型存在的异方差问题通过GARCH模型进行修正。实证算例中,采用北欧四国电力市场数据,与ARIMA和灰色GM（1,1）模型进行比较,表明ARIMA—GARCH模型的预测精度更高,预测误差更小。