GM(1,N)模型在收益现值法中的运用

在对消费品的资产价格评估的过程中,用精度较高的残差GM(1,1)模型嵌入GM(1,N)模型对受多自变量影响的未来资产收益进行预测,以获得各行为变量的预测值^xi(n+k)(i=1,2,3…,N),从而预测出受多变量影响的销售收入,并计算出给定条件下的资产评估值。     

用遗传算法改进GM(1,1)模型

首先论述了GM(1,1)模型的预测一般过程,根据原始数据序列判断其是否适合用GM(1,1)模型进行拟合与预测;用加速遗传算法代替最小二乘法求微分方程中的参数;并认为初值x(0)(1)的选取对模型的精度有一定的影响,指出传统灰色模型初值选取上的不足,进而提出用加速遗传算法可以提高模型精度的修正初值的构造方法.最后给出了一个具体的算例.     

基于Fibonacci法改进的灰色预测模型

1 GM(1,1)模型 实践中常用的灰色模型GM(1,1),模型建立的方法步骤如下:设原始序列为:     

基于改进GM模型的港口集装箱吞吐量预测研究

针对预测过程中常常遇到的冲击扰动问题,根据灰色系统理论的新息优先原理,在运用序列算子成功构造灰色序列基础上,提出了以xi(1)(n)为初始条件的新陈代谢GM(1,1)模型。通过对芜湖港集装箱吞吐量预测结果表明,该模型明显提高了预测精度,得到合理的预测值。     

一元n次方程的极限解计算法

本文提出了一元n次方程的极限解定理和计算法则。并举例说明了这一法则在取样锁相环稳定性分析中的应用。我们在研究稳定性一类的极限解等问题时,有时会遇到当β=β_a时,a_u(β_a),a_(n-1)(β_a),…,a_1(β_a)和a_o(β_a)都等于0。方程: a_n(β)x~n+a_(n-1)(β)x~(n-1)+…a_1(β)x+a_0(β)=0是这样的一个不定式: 0x~n+0x~(n-1)1…+0x+0=0本文提出的一元n次方程的极限解法,就是着眼于研究当β→β_a时,上述方程的极限情况。     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

我国人口可持续发展问题实证研究——基于GM(1,1)模型的建立与预测

本文阐明GM(1,1)模型的基本理论,收集2001年～2007年我国人口时间序列资料,建立人口数量GM(1,1)模型,分析原因,并对未来若干年人口发展趋势进行预测,提出适宜的政策建议。     

GM(1,1)幂模型求解方法及其解的性质

根据灰色系统信息覆盖的基本原理,给出了GM(1,1)幂模型中参数a的估计方法.讨论了a的不同取值对模型解的影响,对其白化微分方程解的定理进行了补充,并给出了白化微分方程解的优化方法.结果表明,所提出的建模方法更能适应于一类具有饱和状态或发展变化受众多因素影响的波动原始序列,在0＜a＜1且a＞0和a＞1且a＜0两种情形下,GM(1,1)幂模型与灰色Verhulst模型具有相同的极限性质,但模拟预测精度高于灰色Verhulst模型.     

《中国科技财富》2004年总目录

(9}向(a)﹁(s)(0)仰(0)吻、卿(0)一(0)﹁卿向卿叩一帅而…(ll)(11)(11)︸向画帅一(li)呻一(lz)(lz)(lz)呻晌、1苦苦、11八03J‘、r、中国十大轿车厂排名解读水至嵘成帼网络二次海外IPo安全与利益一个不能少黔wLANrp筋准之争(3)给汽车牡一天目一_(匆卜(s)(5)(s)(5)(5)(6)(e)(0)(e)(z)(;)(7)(z)(z)序幕劝为8)5)衬扮护一新一眯改思路已明_约退税影响笆-一电源建设热潮涌动_-(j一2)(耳在)(l一2)(j一2)(门龙)臼一2)(j一2)(1一2)(l一助(1一)(l-2)(1-幻 (3) 侣) (3)lT会展预示消靓子时代_承接软件外包艰难起步「房地产牵手信托恕霖恕_瓷一臀业对…     

灰色预测模型在江苏省GDP预测中的运用分析

从理论和实际应用上探讨灰色系统建模的原理,分析GM(1,1)模型的运用与检验过程。灰色预测模型既是灰色系统理论的重要内容之一,也是预测理论与应用中被广泛使用的一种预测方法,因此,对灰色预测模型的研究具有重要的意义。首先建立一个1978-2009年的江苏省GDP的时间序列数据,然后运用GM(1,1)模型进行预测,检验结果显示GM(1,1)模型能够提供精确的预测。     

基于灰色模型与BP神经网络的青岛旅游需求预测模型

本文主要研究青岛市旅游需求预测的有关问题。本文首先对搜集的数据进行无量纲化处理,利用主成分分析得到影响旅游需求的主成分,以旅游人口建立GM(1,1)模型,进而将模型推广到GM(1,N)模型,并进行残差检验确保其可靠性;其次,对影响旅游需求的因素进行GM(1,1)灰度预测,并利用预测数据建立BP神经网络模型对GM(1,1)模型进行优化改进,最后,分析得到运用BP神经网络模型进行预测的结果更为准确。     

一阶中立型微分差分方程解的振动性

本文讨论下述一阶中立型线性常系数微分差分方程x ′(t)-cx′(t-r)+px(t-r)=0 (p＞0,r＞0), (1)振动的充要条件,以及变系数微分差分方程x′(t)-cx′(t-r)+p(t)x(t-r)=0(r＞0,p(t)＞0) (2)的振动性判据,其中p(t)是t∈(-∞,+∞)上的连续函数.     

公路交通运输量GM-Markov综合预测模型研究

为了提高公路交通运输量的预测精度,在介绍一般模型的基础上,建立了GM-Markov预测模型,它是将灰色预测方法与Markov预测模型优化组合,用灰色预测模型GM(1,1)预测随机时间序列数据的总体发展趋势,而用Markov模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列数据趋势预测模型的解。通过公路货运量的实际数据进行了验证,结果表明:GM-Markov预测模型既能预测参数随机数据序列的总体趋势,又能适应波动性较大的随机序列变化,其预测精度高于GM(1,1)模型的预测精度。     

基于遗传算法的我国居民消费价格指数短期灰色预测研究

针对传统灰色GM(1,1)预测模型存在精度差的问题,提出采用遗传算法对其进行改进。利用改进的GM(1,1)模型,根据2006年1月至2008年3月共27个月我国居民消费价格指数的统计资料,对2008年1-3月消费价格指数进行了预测,与实际消费价格指数和传统GM(1,1)的计算结果进行比较研究,结果表明改进的模型预测精度高,预测结果好,最后对未来三个月居民消费价格指数进行了预测并进行了分析。     

经济预测的一种统计方法——一类可变参数的回归模型

一、引言回归分析中的一元线性与非线性回归方程是实际中经常要遇到的。求一元线性与非线性回归方程大都采用最小二乘法。假设随机变量y～N(E(y),σ~2),其中E(y)=μ(x)=α+βx,α,β为两个待定参数,也就是说,变量y与x满足线性模型 y=α+βx+ε其中ε～N(O,σ~2),随机误差ε是除去X对y的线性影响以外的其它各种因素对Y的影响,亦称ε为方程误差。     

频率和相位闪烁效应及频率源中的白频率和白相位起伏

引言信号发生器的频率稳定度可用Y(t)的单边带频谱密度表征。Y(t)是信号发生器标称频率信号输出电压V(t)的相对频率偏移。因此假定 V(t)=[V_0 ε(t)]Sin[2πv_0 φ(t)] (1) Y(t)=φ(t)/2πv_0 (2) S_y(f)=(1/2πv_0)~2S_φ(f) (3) S_y(f)=(1/v_0)~2f~2S_φ(f) (4)虽然S_y(f)是频率源的频率稳定度的基本定义,也是频率和时间技术委员会频率稳定度IEEE分会所推荐的定义,而采用射     

我国社会消费品零售总额的预测分析——基于最小二乘法的改进GM(1,1)模型

我国社会消费品零售总额受到诸多因素的影响,导致数据波动性较大,单纯地采用灰色预测模型无法更加准确地进行预测,因此本文提出了基于最小二乘法的改进GM(1,1)模型,首先介绍了普通GM(1,1)模型的建立方法与步骤;接着通过采用最小二乘法的原理弱化波动较大的数据,加强其规律性从而建立新的GM(1,1)模型;最后结合2007²011年我国社会消费品零售总额数据建立新的预测模型,并用2012年数据对模型进行验证合格,可以用来预测未来几年我国社会消费品零售总额,便于我国对未来社会消费品宏观调控。结果表明该预测方法是合理可行的,为其他相关预测提供了理论依据。     

基于PLS的组合预测模型及其应用

本文运用组合预测理论,利用偏最小二乘回归方法建立了基于灰色预测模型GM(1,1)、2阶自回归模型AR(2)和龚伯兹曲线模型的组合预测模型,并对农业贷款需求进行了预测。     

物流需求量的灰色系统预测分析

本文首先说明了物流需求预测的重要性,指出了灰色系统预测模型在物流需求预测中的应用价值。根据灰色绝对关联度,分析了相关经济影响因子对物流需求量的影响程度,然后举例说明了考虑相关经济因素对物流需求量影响的GM(1,N)模型系统预测比GM(1,1)模型单变量预测更有效。     

云南省快递业务量DGM(2,1)预测模型

文章首先分析云南快递行业发展现状,总结云南快递业发展现状的特点。其次,根据快递业务量数据序列特点,为提高计算精度,运用DGM(2,1)预测模型,利用2012-2016年间各个季度的云南快递业务量数据,对未来5年间各季度的快递业务量进行预测和分析。最后,对DGM(2,1)模型预测结果与GM(1,1)模型计算结果进行对比分析。