引入优化因子GM(1,1)模型及其在旅游客源预测中应用.docVIP

引入优化因子GM(1,1)模型及其在旅游客源预测中应用 　　摘要:在灰色GM(1,1)预测模型中引入优化因子,通过优化因子的选择使预测结果与原始数据的平均相对误差最小,以提高预测精度。将引入优化因子的GM(1,1)模型应用于中国入境旅游客源的预测并与传统的GM(1,1)模型及文献中的改进方法相比较,结果表明引入优化因子的GM(1,1)模型有更高的预测精度。 　　关键词:GM(1,1)模型; 预测; 优化因子;旅游客源 　　中图分类号:F59文献标志码:A文章编号:1673-291X(2010)15-0168-03 　　 　　灰色系统理论[1]自1982 年诞生以来,在经济、管理和工程技术等众多领域得到广泛应用。灰色GM(1,1)预测模型是灰色系统理论的核心内容之一,其特点是所需的样本较少、计算简单,因而比传统的预测方法更具优越性。但是,传统的GM(1,1)模型在某些情况下也存在预测精度低的缺陷,为此许多学者从不同角度提出了对GM(1,1)模型的改进以提高其预测精度与适用范围。本文在GM(1,1)预测模型中引入优化因子,通过优化因子的选择使预测结果和原始数据的平均相对误差最小,以达到提高预测精度的目的。并将引入优化因子的GM(1,1)模型用于中国入境旅游客源的预测,将其预测结果与传统的GM(1,1)模型及已有文献中的改进的GM(1,1)模型预测结果比较,引入优化因子的GM(1,1)模型具有更高的预测精度。 　　一、传统的GM(1,1)模型 　　设非负平稳原始数据序列为: 　　X(0)=(X(0)1,X(0)2,…,X(0)n) 　　根据X(1)1=X(0)1,X(1)k=X(0)i(k=2,3,…,n)进行一次累加得到累加数据序列: 　　X(1 )=(X(1)1,X(1)2,…,X(1)n) 　　假定X(1 )具有指数变化规律,则白化方程为: 　　+aX (1)=u(1) 　　其中a,u为待定参数。传统的GM(1,1)模型采用最小二乘法求得: 　　au=(BTB)-1BTY (2) 　　这里: 　　B=-Z(1)2 1-Z(1)3 1#8226;#8226;#8226;#8226;#8226;#8226;-Z(1)n1, Y=X(0)2X(0)3#8226;#8226;#8226;X(0)n,(3) 　　其中,Z(1 )=(Z(1)2,Z(1)3,…,Z(1)n)称为背景值,一般取紧邻均值,即Z(1)i=0.5(X(1)i-1+X(1)i),i=2,3,…,n。于是微分方程(1)满足以X(1)1=X(0)1为初始条件的解: 　　(1)k=(X(0)1-)e-a(k-1)+k=1,2,3,…n(4) 　　即为X(1 )的预测公式,由此可得x(0)的预测公式为: 　　(0)k=(1)k-(1) k-1k=2,3,4,…n(5) 　　当k≤n时得到原始数据的模拟值,当kn???得到预测值。 　　二、引入优化因子的GM(1,1)模型 　　从GM(1,1)模型中公式(4)可知,模拟和预测精度取决于参数a和u, 而参数a和u的获得依赖于原始数据和背景值的构造。因此在众多改进GM(1,1)模型的文献中,许多文献从背景值的构造入手以提高模型的预测精度,如文献[2]采用: 　　[(k+1)X(1) i-1+(k-1)X(1)i] 　　来获得Z(1)i,其中需用试探法得到最佳的k或利用经验公式;文献[3]和[4]利用插值和求积公式得到计算背景值的新方法。但笔者通过大量数值试验发现,上述文献提出的方法尽管在一定程度上能提高预测的精度,但获得的参数a和u并没有达到最优,某些情况下甚至使预测精度降低,例如文献[2]的方法对非负单调呈指数递减序列的预测及文献[4]对非负单调呈指数递增序列的预测都会降低预测精度。为克服上述缺陷,本文在传统的GM(1,1)模型引入优化因子λ(-1≤λ≤1),将背景值的计算改为: 　　Z(1)i=0.5[(1-λ)X(1)i-1+(1+λ)X(1)i)],i=2,3,…,n。(6) 　　为了获得最佳的优化因子λ,使模拟值与原始数据的平均相对误差最小,达到提高预测精度的目的,利用MATLAB编写应用程序来搜索最佳的优化因子λ,具体过程为: 　　优化因子λ从λ=-1开始,由背景值公式(6)和公式(2)计算出参数a和u,从而得到相应的公式(4)和预测公式(5),利用预测公式(5)计算得到原始数据的模拟值 (0)及平均相对误差err=。接下来取步长h=0.001,λ=λ+h,重复上述过程得到相应的模拟值和平均相对误差,一直进行下去直到λ=1。比较不同的优化因子的平均相对误差,平均相对误差最小的即为最佳优化因子。 　　由最佳的优化因子λ得到相应的参数a,u并获得相应的预测公式(4