基于粒子群算法的非线性时变参数离散灰色预测模型.docVIP

基于粒子群算法的非线性时变参数离散灰色预测模型 摘 要：分析了传统GM(1,1)及DGM(1,1)模型应用时对数据要求上的弊端，证明了GM(1,1)与DGM(1,1)模型的模拟数据的增长率均为定值，指出对于非近似指数增长的数据序列，GM(1,1)与DGM(1,1)模型的模拟及预测效果并不理想。为提高对多类型趋势数据的预测能力，引入非线性时间项，构造了一种拓展的非线性时变参数离散灰色预测模型（NTDGM(1,1)模型），并利用粒子群算法（PSO）优化得到模型中各参数，最后给出了该模型的建模步骤。算例分析表明本文提出的NTDGM(1,1)模型对各类型趋势数据均具有很好的模拟精度，能够很好地解决非线性序列的模拟问题。 关键词：离散灰色模型；非线性时变参数；预测；粒子群算法 中图分类号：N941 Nonlinear time-varying parameters discrete grey forecasting model based on PSO WANG Liang1, TEN Ke-nan2, LV Wei-min1, JIN Yong-chuan3 （1. 7 Department, Naval Aeronautical Engineering Institute, Yantai 264001, China; 2. Department of Training, Naval Aeronautical Engineering Institute, Yantai 264001, China; 3. 91681 Unit of PLA, Ningbo 315731, China) Abstract: The drawbacks of traditional GM(1,1) model and DGM(1,1) model are analyzed. It is proved that the growth rates of simulated data of GM(1,1) model and DGM(1,1) model are both constants It is also pointed out that the forecasting and simulating capabilities are unsatisfied for the data of non-approximate exponential growth. To improve forecasting capability for the data of multiple types of trend, a nonlinear time–varying parameters discrete grey forecasting model (NTDFM(1,1) model) is set up. Particle swarm optimization algorithm (PSO) is used to calculate the parameters. At last, the modeling steps are analyzed Example analysis shows that the NTDGM(1,1) model can greatly improve the simulation precision and it can solve the simulation of nonlinear sequence of multiple types of trend well. Key words: discrete grey model; nonlinear time-varying parameters; forecasting; particle swarm optimization 0 引言 灰色系统理论是我国学者邓聚龙于20世纪80年代创立的一种处理“部分信息已知，部分信息未知”的“小样本，贫信息”不确定系统的理论，其中灰色预测建模技术是灰色系统最重要的内容之一，也是预测理论体系中一个新的研究分支[1]。GM(1,1)模型是灰色预测技术的基础模型，在其发展过程中得到了深入的研究，并有很多学者提出了不少改进方法，主要包括：残差修正法[1]、背景值构造法[2]、中心逼近法[3]、时间响应函数法[4]等。虽然这些方法在一定程度上提高了模拟与预测精度，但始终无法克服GM(1,1)模型利用离散方程进行参数估计，而利用连续时间响应方程进行预测造成的跳跃性误差。2005年，谢乃明[5]提出了离散灰色预测模型，将参数估计和预测模型统一为离散形式，有效地避免了由离散序列到连续方程造成的误差。之后有学者对DGM(1,1)模型进行了进一步的优化