CN109447433A - 一种改进的灰色模型预测方法 - Google Patents
一种改进的灰色模型预测方法 Download PDFInfo
- Publication number
- CN109447433A CN109447433A CN201811203212.4A CN201811203212A CN109447433A CN 109447433 A CN109447433 A CN 109447433A CN 201811203212 A CN201811203212 A CN 201811203212A CN 109447433 A CN109447433 A CN 109447433A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- accumulate
- sequence
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 206010001557 Albinism Diseases 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种改进的灰色模型预测方法,解决了现有技术中的灰色模型对事物发展进行的预测还有偏差,并且具有一定的局限性的问题。本发明包括制取合成气的方法和装置,其中,方法包括步骤一、对预测对象的原始数据序列进行一次累加生成一次累加序列;步骤二、由一阶累加生成序列X(1)建立GM(1,1)模型,得到对应的白化微分方程和微分方程形式,使用插值的方法来优化灰色模型的背景值;步骤三、通过优化后的背景值计算得到参数a、b;步骤四、将a、b的之带入传统灰色模型的预测表达式获得预测值。本发明通过优化灰色模型的背景值来改进灰色模型的方案,并将该方案应用于电力公司投资预测中,从而更加精确的预测电网投资。
Description
技术领域
本发明涉及预测领域,具体涉及一种改进的灰色模型预测方法。
背景技术
灰色模型自提出以来,由于所需样本少、计算简单、可检验等特点,现已经应用于各行各业,但不可否认,灰色模型自身存在一些缺陷,对事物发展进行的预测还有偏差,并且具有一定的局限性。灰色模型的优化方向主要是优化背景值构造方式,修改或调整初始条件,模型参数估计方法的优化等。
其中,灰色预测模型先是对历史数据序列进行累加生成,弱化随机扰动因素的影响,发掘其指数增长规律;再利用指数曲线进行模拟;最后通过累减还原,得到相应的拟合值和预测值。设有n个历史数据x(0)(i),i=1,2,…n,对此序列进行一阶累加得到新的数据序列为:
利用新数据序列生成紧邻的均值序列z(1)(k)为:
z(1)(k)=0.5x(1)(k-1)+0.5x(1)(k),k=2,3,…,n
由一阶累加生成序列x(1)建立GM(1,1)模型,得到对应的白化微分方程:
对应的微分方程形式为:
x(0)(k)+az(1)(k)=b
a、b分别为参数项。对参数列P=[a,b]T采用最小二乘法估计得到:
P=[a,b]T=(BTB)-1BTyN
其中:
求解微分方程可得到生成数据序列模型:
原始数据序列模型为:
由上可知,预测的精度取决于常数a和b,而a和b的求解依赖于z(1)(k)的构造方式。因此,z(1)(k)的值是影响模型预测精度的重要因素。
发明内容
本发明所要解决的技术问题是:现有技术中的灰色模型对事物发展进行的预测还有偏差,并且具有一定的局限性的问题,目的在于提供一种改进的灰色模型预测方法,其通过优化灰色模型的背景值来改进灰色模型的方案,并将该方案应用于电力公司投资预测中,从而更加精确的预测电网投资。
本发明通过下述技术方案实现:
一种改进的灰色模型预测方法,包括:
步骤一、对预测对象的原始数据序列进行一次累加生成一次累加序列;
步骤二、由一次累加序列X(1)建立GM(1,1)模型,得到对应的白化微分方程和微分方程形式,使用插值的方法来优化灰色模型的背景值;
步骤三、通过优化后的背景值计算得到参数a、b;
步骤四、将a、b的之带入传统灰色模型的预测表达式获得预测值。
进一步,本发明的具体预测过程为:
步骤一、设变量X(0)={x(0)(i),i=1,2,…,n}为某预测对象的原始数据序列,对X(0)进行一次累加生成一次累加序列:X(1)={x(1)(k),k=1,2,…,n},其中
步骤二、由一阶累加生成序列X(1)建立GM(1,1)模型,得到对应的白化微分方程:
对应的微分方程形式为:
x(0)(k)+az(1)(k)=b;
其中Z(1)=[Z(1)(2),Z(1)(3),…,Z(1)(n)]称为灰色模型的背景值,使用三次样条插值的方式可以得到X(1)(t)在k-3/4和k-1/4处的近似值x(1)(k-3/4)和x(1)(k-1/4),利用定积分的近似计算方法可求得背景值z(1)(k)=0.5x(1)(k-3/4)+0.5x(1)(k-1/4);
步骤三、采用最小二乘法求取得到参数a、b;
即,通过将z(1)(k)的值和x(0)(k)的值代入参数列P=[a,b]T=(BTB)-1BTyN中,计算得到参数a、b的值;
上述参数列中,
步骤四、在初始条件下,可得到生成数据序列模型:
还原到原始数据得到原始数据序列模型为:
将k=2,3,…,n带入上式便可得到初始数据拟合值;当k>n时,便可得到对未来的预测值。
原始灰色模型中背景值的计算公式为:z(1)(k)=0.5x(1)(k-1)+0.5x(1)(k),如图1所示,通过图1可以得出传统背景值误差来源,传统模型在计算背景值用梯形的面积来代替曲线X(1)(t)在区间[k-1,k]上的积分,本发明使用三次样条插值的方式可以得到X(1)(t)在k-3/4和k-1/4处的近似值x(1)(k-3/4)和x(1)(k-1/4),利用定积分的近似计算方法可求得背景值z(1)(k)=0.5x(1)(k-3/4)+0.5x(1)(k-1/4),通过灰色模型的背景值z(1)(k)的优化,进而优化计算得到的参数a和参数b,,从而更加精确的预测电网投资。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明通过优化z(1)(k)的构造方式,进一步对传统灰色模型的方案进行优化,进而达到应用于电力公司投资预测是更加精确的目的,效果十分显著;
2、本发明所需样本少、计算简单、可检验。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为传统背景值误差来源的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
以某省公司A市2005-2012年的电网投资数据为研究对象,电网投资数据如表1所示。
表1 2005-2012年A市电网投资额(亿元)
序号 | 2005 | 2006 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 |
年份 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
投资额 | 4.4918 | 5.2255 | 6.3201 | 7.9530 | 10.3891 | 16.0232 | 20.4446 | 28.5325 |
原始数据序列为X(0)={4.4918,5.2255,6.3201,7.953,10.3891,16.0232,20.4446}。
采用本发明的一种改进的灰色模型预测方法,利用2005-2009年的投资额数据对2010-2012年份的投资额进行预测,预测过程如下:
步骤一、根据变量为X(0)={4.4918,5.2255,6.3201,7.953,10.3891,16.0232,20.4446},对X(0)进行一次累加生得到序列X(1)={4.4918,9.7173,16.0374,23.9904,34.3795,50.4027,70.8473}。
步骤二、构造数矩阵B及数据向量yN
于是可得:
数据向量
步骤三、计算可以得出:P=(a,b)T=(BTB)-1BTyN=(-0.2977,2.5141)T
步骤四、带入模型的预测表达式可得相应预测值:
即,2010至2012年的预测值分别为15.0206、20.2652、27.3411。
实施例2
本实施例为实施例1的对比实施例,本实施例中采用背景技术中记载的传统模型计算方式预测出表1中2010-2012年份的投资额。
本实施例通过传统模型计算可以得出:P=(a,b)T=(-0.2995,2.5432)T,然后将a、b的之带入传统灰色模型的预测表达式:
可得相应预测值为:
即,2010至2012年的预测值分别为14.7613、19.8809、26.776。
通过实施例1和实施例2的预测值与实际值进行误差对比,对比结果如表2所示。
表2原始模型与改进模型预测结果及误差对比
通过表2可知,传统模型的平均相对误差为5.49%,本发明改进后的模型的平均相对误差为3.65%,改进模型的预测结果的相对误差以及平均相对误差均小于传统模型,证实了本方法的准确性。
以上所述的具体实施方式是对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种改进的灰色模型预测方法,其特征在于,包括:
步骤一、对预测对象的原始数据序列进行一次累加生成一次累加序列;
步骤二、由一次累加序列X(1)建立GM(1,1)模型,得到对应的白化微分方程和微分方程形式,使用插值的方法来优化灰色模型的背景值;
步骤三、通过优化后的背景值计算得到参数a、b;
步骤四、将a、b的之带入传统灰色模型的预测表达式获得预测值。
2.根据权利要求1所述的一种改进的灰色模型预测方法,其特征在于,所述步骤一的具体过程为:
设变量X(0)={x(0)(i),i=1,2,…,n}为预测对象的原始数据序列,对X(0)进行一次累加生成一次累加序列:X(1)={x(1)(k),k=1,2,…,n},其中
3.根据权利要求2所述的一种改进的灰色模型预测方法,其特征在于,所述步骤二的过程为:
由一次累加序列X(1)建立GM(1,1)模型,得到对应的白化微分方程:
对应的微分方程形式为:x(0)(k)+az(1)(k)=b;
采用三次样条插值的方式得到X(1)(t)在k-3/4和k-1/4处的近似值x(1)(k-3/4)和x(1)(k-1/4),利用定积分的近似计算方法求得背景值z(1)(k)=0.5x(1)(k-3/4)+0.5x(1)(k-1/4)。
4.根据权利要求3所述的一种改进的灰色模型预测方法,其特征在于,所述步骤三中采用最小二乘法求取得到参数a、b的过程为:
对通过将z(1)(k)的值和x(0)(k)的值代入参数列P=[a,b]T=(BTB)-1BTyN即可求解参数a、b,
其中:
5.根据权利要求3所述的一种改进的灰色模型预测方法,其特征在于,所述步骤四的过程为:
生成原始数据序列模型将k=2,3,…,n带入上式原始数据序列模型便可得到初始数据拟合值;当k>n时,便可得到对未来的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811203212.4A CN109447433A (zh) | 2018-10-16 | 2018-10-16 | 一种改进的灰色模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811203212.4A CN109447433A (zh) | 2018-10-16 | 2018-10-16 | 一种改进的灰色模型预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447433A true CN109447433A (zh) | 2019-03-08 |
Family
ID=65545283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811203212.4A Pending CN109447433A (zh) | 2018-10-16 | 2018-10-16 | 一种改进的灰色模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447433A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727910A (zh) * | 2019-09-25 | 2020-01-24 | 深圳供电局有限公司 | 一种抄核收风险预测及业务联动的实现方法和系统 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
CN111598475A (zh) * | 2020-05-22 | 2020-08-28 | 浙江工业大学 | 一种基于改进型灰色马尔可夫模型的电网风险预测方法 |
CN111782500A (zh) * | 2019-06-28 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 用于生成数据的方法和装置 |
CN112257283A (zh) * | 2020-10-30 | 2021-01-22 | 中国矿业大学 | 基于背景值和结构相容性组合优化的灰色预测模型方法 |
CN112598198A (zh) * | 2021-01-07 | 2021-04-02 | 中国人民解放军陆军勤务学院 | 一种基于灰色模型的后勤物资预测方法 |
CN113158469A (zh) * | 2021-04-25 | 2021-07-23 | 上海应用技术大学 | 一种基于纵向裂缝的沥青路面检测时间预测方法 |
CN113269350A (zh) * | 2021-04-28 | 2021-08-17 | 长春工业大学 | 基于灰色gm(1,1)模型的变压器故障预测方法 |
-
2018
- 2018-10-16 CN CN201811203212.4A patent/CN109447433A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782500A (zh) * | 2019-06-28 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 用于生成数据的方法和装置 |
CN110727910A (zh) * | 2019-09-25 | 2020-01-24 | 深圳供电局有限公司 | 一种抄核收风险预测及业务联动的实现方法和系统 |
CN110727910B (zh) * | 2019-09-25 | 2024-01-23 | 深圳供电局有限公司 | 一种抄核收风险预测及业务联动的实现方法和系统 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
CN111598475A (zh) * | 2020-05-22 | 2020-08-28 | 浙江工业大学 | 一种基于改进型灰色马尔可夫模型的电网风险预测方法 |
CN112257283A (zh) * | 2020-10-30 | 2021-01-22 | 中国矿业大学 | 基于背景值和结构相容性组合优化的灰色预测模型方法 |
CN112598198A (zh) * | 2021-01-07 | 2021-04-02 | 中国人民解放军陆军勤务学院 | 一种基于灰色模型的后勤物资预测方法 |
CN113158469A (zh) * | 2021-04-25 | 2021-07-23 | 上海应用技术大学 | 一种基于纵向裂缝的沥青路面检测时间预测方法 |
CN113158469B (zh) * | 2021-04-25 | 2024-05-17 | 上海应用技术大学 | 一种基于纵向裂缝的沥青路面检测时间预测方法 |
CN113269350A (zh) * | 2021-04-28 | 2021-08-17 | 长春工业大学 | 基于灰色gm(1,1)模型的变压器故障预测方法 |
CN113269350B (zh) * | 2021-04-28 | 2023-09-05 | 长春工业大学 | 基于灰色gm(1,1)模型的变压器故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447433A (zh) | 一种改进的灰色模型预测方法 | |
Mlakar et al. | GP-DEMO: differential evolution for multiobjective optimization based on Gaussian process models | |
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN114662780A (zh) | 碳排放量预测方法、装置、电子设备及存储介质 | |
Pound | Gauge and motion in perturbation theory | |
CN112817312B (zh) | 一种基于双重搜索优化算法的路径规划方法 | |
CN113361048B (zh) | 燃气轮机叶片的可靠性预测方法、装置及电子设备 | |
Bell et al. | Accounting for observation uncertainty and bias due to unresolved scales with the Schmidt-Kalman filter | |
Ehlers et al. | Bayesian analysis of order uncertainty in ARIMA models | |
CN111950123B (zh) | 一种陀螺仪误差系数曲线拟合预测方法及系统 | |
Petersen et al. | Convex regression with interpretable sharp partitions | |
WO2022015310A1 (en) | Estimation of global thermal conditions via cosimulation of machine learning outputs and observed data | |
JP2009076036A (ja) | プロセスの状態予測方法 | |
CN115759269A (zh) | 特征信息的确定方法、装置、设备以及存储介质 | |
Smith et al. | Genetic algorithm sequential Monte Carlo methods for stochastic volatility and parameter estimation | |
CN113536669A (zh) | 一种基于多项式神经网络的天然气水合物生成条件预测方法 | |
Shen et al. | Variational sequential optimal experimental design using reinforcement learning | |
Xie et al. | A framework for variational inference and data assimilation of soil biogeochemical models using state space approximations and normalizing flows | |
Lu et al. | Chaos-based Modified GM (1, 1) Power Model in Time Series Prediction. | |
Luo et al. | Entropy-based Training Methods for Scalable Neural Implicit Samplers | |
Hou et al. | Prediction of Steel Production Based on the Combination of XGBOOST and LassoLars | |
Norets | Implementation of bayesian inference in dynamic discrete choice models | |
Sablica et al. | Efficient sampling from the PKBD distribution | |
Green et al. | Parameter estimation from big data using a sequential Monte Carlo sampler | |
CN115146366B (zh) | 基于Direct算法和少量样本更新的结构混合可靠性分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |