基于灰色系统模型的城乡建设用地规模预测——以常德市鼎城区为例

土地利用总体规划是区域性的综合规划,为地方性的经济发展提供科学和法律依据.建设用地的有效供给是地方经济发展基础,建设用地需求量预测是土地利用总体规划编制的核心,也是土地利用管理的依据.为了切实搞好常德市鼎城区的土地利用总体规划,使之更具有前瞻性、可操作性,必须切合实际地搞好建设用地需求规模和布局的预测.采用灰色系统模型,通过灰色关联度分析,建设用地发展与GDP、总人口、市镇人口、社会固定资产投资、人均GDP、第二产业产值、第三产业产值密切相关.基于这些因子,采用灰色系统模型法、建立GM(1,1)灰色模型,进行了2010年和2020年的城乡建设用地规模的预测.GM(1,1)模型可以进行长期预测,但预测仅反映一种趋势,综合考虑驱动因素的灰色线性组合模型更具有预测的可靠性.利用GM(1,1)模型和线性模型组合,进行城乡建设用地规模预测,可为土地利用总体规划提供可靠的保证.     

灰色verhulst模型在长春市人口预测中的应用

本文介绍了灰色系统模型在人口预测中的应用,并针对传统灰色GM(1,1)模型在长期人12预测中所存在的问题,提出了利用灰色系统中的verhulst模型可以较好地进行长期人口预测.并利用这两种模型分别对长春市未来人口总量进行了预测,对比所得结果发现,verhulst模型相对更适于进行中长期的人口预测.     

灰色verhulst模型在长春市人口预测中的应用

本文介绍了灰色系统模型在人口预测中的应用,并针对传统灰色GH(1,1)模型在长期人口预测中所存在的问题,提出了利用灰色系统中的verhulst模型可以较好地进行长期人口预测.并利用这两种模型分别对长春市未来人口总量进行了预测,对比所得结果发现,verhulst模型相对更适于进行中长期的人口预测.     

组合优化理论在中国经济增长预测中的应用

文章采用灰色预测的GM(1,1)、变参数BGM(1,1)两种模型与BP神经网络进行组合优化,对中国GDP的增长做出预测分析,建立了灰色神经网络的GDP预测模型。组合优化模型提高了拟合和预测精度,是经济发展趋势进行预测分析的有效方法,有利于决策者制定相关的经济政策,进行宏观管理和控制。     

灰色模型在四川省人口预测中的应用

人口是一个国家和地区发展的重要因素,人口规模直接影响着区域的经济社会发展、资源利用和生态环境状况。采用合理的方法,模拟和预测城市总人口,可以在制定国民经济计划、城市土地利用总体规划、城市规划与设计、资源与环境保护和进行社会决策中起到非常重要的作用。以四川省2003-2011年近9年的人口数据为基础,采用灰色系统理论建立人口动态增长模型,用此模型预测四川省未来人口规模,并对人口增长状况进行分析。     

县(市)级土地利用总体规划中耕地需求量预测方法及其应用

科学准确地预测耕地需求量,是制定县(市)级土地利用总体规划的基础.文章根据中国南方某县1996-2005年来的耕地变更调查统计数据,分别采用趋势分析法、回归分析法、指数平滑法、GM(1,1)模型法和灰色-马尔柯夫链模型的方法,对该地区耕地总量进行了模拟和预测.不同方法的预测结果表明,基于灰色-马尔柯夫链方法的预测结果更加准确可靠,更有利于土地管理决策者的经济决策行为.在当前耕地利用方式的背景下,灰色-马尔柯夫链模型可以作为县(市)级土地利用总体规划中耕地需求量预测方法的一种好选择.     

灰色系统理论在需求量预测中的应用

文章根据灰色系统理论 ,用GM ( 1 ,1 )模型对需求量进行预测。模型检验表明 ,预测结果令人满意。     

基于灰色模型的韶山红色旅游景区客源预测

用灰色模型对红色旅游景区进行客源预测,可以解决少信息不确定性问题,结果有一定的可信度。但是灰色模型(GM)预测系统也存在一定的局限性,主要表现在对原始数据的选取有要求,要将原始数据作AGO处理后,成为较有规律的递增曲线方能建模预测。韶山红色旅游客源预测的灰色建模结果表明,即使原始数据的选取不完全符合GM(1,1)建模的要求,如并非一直处于稳定增长期的红色旅游景区,也可尝试用灰色模型来进行预测,关键在于是否先对原始数据进行适当的预处理。     

广州市用电量预测模型比较研究

采用灰色模型GM(1,1)等5种方法对2004—2018年广州市用电量作拟合检验并优选应用模型,结果表明:(1)拟合月度用电量时,气温预测法、灰色模型GM(1,1)、随机季节模型和组合预测法的平均相对误差分别为5.44%、3.47%、2.94%和2.45%;拟合年度用电量时,气温预测法、灰色模型GM(1,1)、随机季节模型、人均用电预测法和组合预测法平均相对误差分别为1.87%、2.22%、1.09%、2.36%和1.05%;从拟合精度角度看,灰色模型和随机季节模型较理想,气温预测法和人均用电量法均较差,组合预测法集成各模型优势,效果最佳。(2)运用组合预测法得出2019年、2020年和2021年广州市各月用电量分别平均同比增长3.65%、4.72%和4.65%,年用电量则分别同比增长5.12%、5.18%和5.12%,可用于广州市电网负荷管理。(3)提高预测精度要求更细的用电量和人口统计数据,需要各部门加强数据上报和沟通机制。     

组合预测模型在区域物流需求预测中的应用

针对单一预测方法用于区域物流需求量预测存在的不足,文章提出了基于预测有效度的组合预测模型,即通过组合多个单一模型的预测结果,发挥各自的优点,提高预测的精确度。以广东省江门市为例,分别采用线性回归模型、灰色GM(1,1)模型和组合预测模型对其物流需求量进行了预测,实证结果表明区域物流需求组合预测模型能够取得更高的预测精度。     

基于最优组合预测模型的港口集装箱吞吐量预测

根据港口集装箱吞吐量非线性增长等特点,建立了三次指数平滑预测模型、灰色系统预测模型及BP神经网络预测模型等单项预测模型。鉴于单项预测模型的局限性,提出了以测试数据的预测误差绝对值加权和最小为最优化准则的最优组合预测模型,采用线性规划的方法确定最优组合的权系数。最后,给出一个实例进行应用和分析。     

土地利用总体规划实施保证体系

作为土地利用总体规划重要一环的实施保证体系常常不被重视,笔者在参与众多地区的土地利用总体规划基础上,认为土地利用总体规划实施保障体系包括土地利用分区和分区管制措施、土地整理复垦、荒地开发与中低产田改造等内容。其中的核心部分是土地利用分区和分区管制措施。对每一部分的详细内容作了详细阐述。     

Forecasting US consumer price index: does nonlinearity matter?

The objective of this article is to predict, both in sample and out of sample, the consumer price index (CPI) of the US economy based on monthly data covering the period of 1980:1–2013:12, using a variety of linear (random walk (RW), autoregressive (AR) and seasonal autoregressive integrated moving average (SARIMA)) and nonlinear (artificial neural network (ANN) and genetic programming (GP)) univariate models. Our results show that, while the SARIMA model is superior relative to other linear and nonlinear models, as it tends to produce smaller forecast errors; statistically, these forecasting gains are not significant relative to higher-order AR and nonlinear models, though simple benchmarks like the RW and AR(1) models are statistically outperformed. Overall, we show that in terms of forecasting the US CPI, accounting for nonlinearity does not necessarily provide us with any statistical gains.     

Herding and anchoring in macroeconomic forecasts: the case of the PMI

We test whether analysts display multiple biases in forecasting the Institute for Supply Management’s manufacturing purchasing manager’s index (PMI). We adopt a test that does not require knowledge of the forecaster’s prior information set and is robust to rational clustering, correlated forecast errors and outliers. We find that analysts forecast the PMI poorly and display multiple biases when forecasting. In particular, forecasters anti-herd and anti-anchor. Anti-herding supports a reputation-based notion that forecasters are rewarded not only for forecast accuracy but also for being the best forecast at a single point in time. Anti-anchoring is consistent with forecasters overreacting to private information. The two biases show a strong positive correlation suggesting that the incentives that elicit anti-herding also elicit anti-anchoring behavior. Both biases result in larger absolute errors, although the effect is stronger for anti-herding.     

A new multiscale decomposition ensemble approach for forecasting exchange rates

Due to the high complexity and strong nonlinearity nature of foreign exchange rates, how to forecast foreign exchange rate accurately is regarded as a challenging research topic. Therefore, developing highly accurate forecasting method is of great significance to investors and policy makers. A new multiscale decomposition ensemble approach to forecast foreign exchange rates is proposed in this paper. In the approach, the variational mode decomposition (VMD) method is utilized to divide foreign exchange rates into a finite number of subcomponents; the support vector neural network (SVNN) technique is used to model and forecast each subcomponent respectively; another SVNN technique is utilized to integrate the forecasting results of each subcomponent to generate the final forecast results. To verify the superiority of the proposed approach, four major exchange rates were chosen for model comparison and evaluation. The experimental results indicate that our proposed VMD-SVNN-SVNN multiscale decomposition ensemble approach outperforms some other benchmarks in terms of forecasting accuracy and statistical tests. This demonstrates that our proposed VMD-SVNN-SVNN multiscale decomposition ensemble approach is promising for forecasting foreign exchange rates.     

小波神经网络预测方法在石油期货价格预测中的应用研究

金融时间序列数据的预测是预测领域的热点问题。本文结合小渡变换与神经网络的有关理论，给出了基于小渡神经网络的石油期货价格预测具体学习算法并进行了拟合及检测，结果表明该方法具有比常用的BP算法及径向基函数网络算法（HCM算法）更好的拟合能力、推广能力，可为石油期货买卖决策提供一定的依据，并可推广于其它金融时间序列的预测。     

证券投资风险预测的E-Bayes估计

本文给出了E-Bayes方法，以上海证券个股五粮液52个连续交易日的收盘价格为例，建立数学模型进行分析和预测，预测结果与市场实际值相当吻合。与灰色系统理论中的GM（1，1）预测模型相比，本文提出的方法预测的精度更高，计算量小。不仅适用于经济系统的分析与预测，也适用于其它系统的分析与预测。     

鱼群洄游预测与生态经济问题研究

鱼群洄游预测研究对于渔业资源的可持续开发和利用是十分重要的。文章建立了基于RBF神经网络的鱼群洄游预测模型。研究结果表明,所提出的神经网络模型对于改进鱼群洄游的预测精度十分有效。渔业资源的可持续发展需要广泛、多领域的相互协作,并且需要自然科学与社会科学以及管理策略的相互结合。渔业生态经济的核心问题是处理好渔业经济发展与渔业生态保护的问题。