基于灰色关联分析和PSO改进的多变量GM（1,N）模型
发布时间：2021-08-27 10:54
GM（1,N）模型是一种重要的因果关系预测模型,建模过程充分考虑了相关因素对系统变化的影响,但GM（1,N）模型存在建模机理和模型结构上的不足,因此在实际应用中常常导致模型误差大于GM（1,1）模型。为了解决传统灰色模型预测精度不高的问题,论文以OGM（1,N）预测模型为研究基础,采用灰色关联分析方法计算筛选与参考序列关联度较高的序列组成自变量输入序列,同时根据OGM（1,N）模型预测原理优化模型初始条件,基于PSO算法和变量数目直接对OGM（1,N）模型参数进行优化求解。论文提出的模型将灰微分方程背景值的寻优过程转化为利用PSO寻找最小模型还原值与实际值误差平方和的问题,有效避免了背景值寻优过程或直接定义背景值再对模型参数值进行求解产生的偏差。最后,论文通过在两个预测数据集上的实验证明了所提模型的预测准确性和价值性。
【文章来源】：计算机与数字工程. 2020,48(10)
【文章页数】：6 页
【部分图文】：
各模型预测结果对比图
图1 各模型预测结果对比图从图1可以发现，在抗拉强度数据集上，GM(1,N）模型预测过程出现较大偏差，GM(1,1）模型除个别点出现较大偏离外，绝大多数点误差相对较小，但GM(1,1）模型没有准确反映出真实数据的变化趋势，POGM(1,N）模型和OGM(1,N）模型充分考虑了数据点之间的变化趋势，预测结果相对稳定。从图2可以发现，在基坑监测数据集上，传统GM(1,1）模型和GM(1,N）模型的预测结果相对稳定但是误差较大，POGM(1,N）模型和OGM(1,N）模型预测结果更接近于真实值，绝大多数点相对误差较小，预测结果更为稳定。另外，通过表4中各个模型在表1、表2数据集上的预测指标对比可以看出，本文所提方法在MAE、MSE和MAPE三大指标下的性能相对于GM(1,1）模型、GM(1,N）模型有了较大提升，和OGM(1,N）模型相比，在MAE、MSE和MAPE指标上分别下降了0.0464,0.0188,0.6828%和0.3356,0.6765,2.2411%。这说明，本文所提出的POGM(1,N）模型能获得比其他方法更好的预测效果，POGM(1,N）模型预测精度高，更能反映数据的真实变化趋势。
【参考文献】：
期刊论文
[1]临空经济与区域经济阶段性耦合发展研究[J]. 高友才,汤凯. 经济体制改革. 2017(06)
[2]基于核与灰半径序列的GM（1,N）预测模型及其在雾霾中的应用[J]. 熊萍萍,李军,张倩,张雪纯. 山西大学学报(自然科学版). 2017(02)
[3]基于时序数据的软件可靠性模型组合新方法[J]. 李克文,刘洪太. 计算机应用. 2014(S2)
[4]Modeling mechanism and extension of GM （1,1）[J]. Xinping Xiao,Yichen Hu,Huan Guo. Journal of Systems Engineering and Electronics. 2013(03)
[5]背景值优化的多变量灰色模型在路基沉降预测中的应用[J]. 刘寒冰,向一鸣,阮有兴. 岩土力学. 2013(01)
[6]基于灰色自适应粒子群LSSVM的铁路货运量预测[J]. 耿立艳,梁毅刚. 西南交通大学学报. 2012(01)
硕士论文
[1]改进的灰色预测模型及其在测绘数据处理中的应用[D]. 周一帆.东华理工大学 2017
本文编号：3366216
【文章来源】：计算机与数字工程. 2020,48(10)
【文章页数】：6 页
【部分图文】：
各模型预测结果对比图
图1 各模型预测结果对比图从图1可以发现，在抗拉强度数据集上，GM(1,N）模型预测过程出现较大偏差，GM(1,1）模型除个别点出现较大偏离外，绝大多数点误差相对较小，但GM(1,1）模型没有准确反映出真实数据的变化趋势，POGM(1,N）模型和OGM(1,N）模型充分考虑了数据点之间的变化趋势，预测结果相对稳定。从图2可以发现，在基坑监测数据集上，传统GM(1,1）模型和GM(1,N）模型的预测结果相对稳定但是误差较大，POGM(1,N）模型和OGM(1,N）模型预测结果更接近于真实值，绝大多数点相对误差较小，预测结果更为稳定。另外，通过表4中各个模型在表1、表2数据集上的预测指标对比可以看出，本文所提方法在MAE、MSE和MAPE三大指标下的性能相对于GM(1,1）模型、GM(1,N）模型有了较大提升，和OGM(1,N）模型相比，在MAE、MSE和MAPE指标上分别下降了0.0464,0.0188,0.6828%和0.3356,0.6765,2.2411%。这说明，本文所提出的POGM(1,N）模型能获得比其他方法更好的预测效果，POGM(1,N）模型预测精度高，更能反映数据的真实变化趋势。
【参考文献】：
期刊论文
[1]临空经济与区域经济阶段性耦合发展研究[J]. 高友才,汤凯. 经济体制改革. 2017(06)
[2]基于核与灰半径序列的GM（1,N）预测模型及其在雾霾中的应用[J]. 熊萍萍,李军,张倩,张雪纯. 山西大学学报(自然科学版). 2017(02)
[3]基于时序数据的软件可靠性模型组合新方法[J]. 李克文,刘洪太. 计算机应用. 2014(S2)
[4]Modeling mechanism and extension of GM （1,1）[J]. Xinping Xiao,Yichen Hu,Huan Guo. Journal of Systems Engineering and Electronics. 2013(03)
[5]背景值优化的多变量灰色模型在路基沉降预测中的应用[J]. 刘寒冰,向一鸣,阮有兴. 岩土力学. 2013(01)
[6]基于灰色自适应粒子群LSSVM的铁路货运量预测[J]. 耿立艳,梁毅刚. 西南交通大学学报. 2012(01)
硕士论文
[1]改进的灰色预测模型及其在测绘数据处理中的应用[D]. 周一帆.东华理工大学 2017
本文编号：3366216
本文链接：https://www.wllwen.com/projectlw/xtxlw/3366216.html
