×
周伟杰;丁、宋

一种新的离散灰色季节模型及其应用。 （英语） Zbl 1453.62653号

Commun公司。非线性科学。数字。模拟。 93，文章ID 105493，15 p.（2021）.
摘要：为了准确描述具有季节扰动的实际系统，通常出现月度或季度周期，一种新的离散灰色季节模型，缩写为DGSM公司（1，1）是通过将季节虚拟变量纳入常规模型而提出的。此外，还深入讨论了该模型的机理和性质，揭示了其与现有季节性灰色模型的内在差异。为了验证和解释，与涉及灰色预测模型的五个竞争模型相比，该模型用于描述三个具有月度和季度季节波动的实际案例（季度风力发电量、季度（PM_{10}）和月度天然气消耗量），传统计量经济技术和人工智能。案例的实验结果一致表明，在几个错误标准方面，该模型明显优于其他基准模型，进一步讨论了不同序列长度对预测性能的影响，结果表明，该模型在处理季节性序列时仍表现最佳，具有较强的鲁棒性和较高的可靠性。总的来说，新模型被证明是一种处理季节性波动序列的强大且有前途的方法。

引用于1文件

MSC公司：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测

关键词：

预测性能;灰色预测;季节性波动;离散灰色季节模型;时间序列建模
PDF格式BibTeX公司 XML格式引用
\textit{W.Zhou}和\textit{S.Ding}，Commun。非线性科学。数字。模拟。93，文章ID 105493，15 p.（2021；Zbl 1453.62653）
全文： 内政部 arXiv公司

参考文献：

[1] Jelica，D。；Taljegard，M。；Thorson，L.，电动道路系统的小时电力需求——瑞典案例研究，Appl Energy，228，15，141-148（2018）
[2] R.文卡塔。；克里希纳，B。；Kumar，S.R.，使用小波神经网络分析进行月降雨量预测，水资源管理，273697-3711（2013）
[3] 王，Q。；Li，S.Y。；Li，R.R.，使用混合ARIMA和代谢非线性灰色模型预测美国页岩气月产量，能源，160378-387（2018）
[4] De Felice，M。；Alessandri，A。；Catalano，F.，《中期电力需求预测的季节性气候预测》，Appl Energy，137435-444（2015）
[5] 徐，S。；Chan，香港。；Zhang，T.，使用混合时间序列SARIMA-SVR方法预测航空业的需求，《运输研究》第E部分《物流运输评论》，第122期，第169-180页（2019年）
[6] Proietti，T.，季节异方差和趋势，J Forecast，17，1，1-17（1998）
[7] 彭泽，J。；Tripodis，Y.，时间序列中的单季异方差，J预测，26189-202（2007）
[8] Proietti，T。；Marczak，M。；Mazzi，G.，季节时间序列的一类周期趋势模型，J Forecast，38，2，106-121（2019）
[9] 贾维德，F。；Ghim，P.O.，使用SARIMA模型预测国际港口的季节性集装箱吞吐量，Marit Econ Logist，20，131-148（2018）
[10] Tsui，W.H.K。；Ozer Balli，H。；Gilbey，A.，《香港机场旅客吞吐量预测》，Tour Manag，42，62-76（2014）
[11] 米洛什，M。；伦敦银行同业拆借利率。；Vlastimil，M.，《铁路客流预测的SARIMA建模方法》，交通，33，5，1113-1120（2018）
[12] Gökhan，S.，《SARIMA模型预测发展中国家通货膨胀率的功效：土耳其案例》，《国际经济研究杂志》，第62期，第111-142页（2011年）
[13] Mwanga，D。；Ong'ala，J。；Orwa，G.，《肯尼亚糖业甘蔗产量建模：一种SARIMA模型预测方法》，《国际统计应用》，7，6，280-288（2017）
[14] Mehr，A.D。；Kahya，E。；Sahin，A.，使用不同人工神经网络算法进行逐月径流预测，国际环境科学技术杂志，12，7，2191-2200（2015）
[15] Khwaja，A.S。；Anpalagan，A。；Naeem，M.，《联合袋装人工神经网络：使用集成机器学习改进短期电力负荷预测》，《电力系统研究》，179，第106080条，pp.（2020）
[16] 李S.W。；Chen，T。；Wang，L.，PCA支持的有效游客量预测和使用百度指数改进的BPNN，Tour Manag，68，116-126（2018）
[17] Omer，F.B。；Beyzanur，C.E。；Ekrem，T.，《使用机器学习工具预测伊斯坦布尔省天然气消耗量》，《能源经济》，80937-949（2019）
[18] 谢国荣。；Wang，S.Y。；Zhao，Y.X.，基于LSSVR模型的集装箱吞吐量预测混合方法：比较研究，应用软件计算，13，2232-2241（2013）
[19] Wei B.L.，Xie N.M.，Yang L.了解积分匹配灰色预测模型中的累积和算子。Commun非线性科学数字模拟2020：105076·Zbl 1451.93211号
[20] 邓J.L.，灰色系统的控制问题，系统控制快报，1，5，288-294（1982）·Zbl 0482.93003号
[21] 邓建林，《灰色系统基本方法》（2005），武汉：华中科技出版社
[22] Lee，Y.S。；Tong，L.，《利用结合遗传编程改进的灰色模型预测能源消耗》，《能源转化管理》，52，1，147-152（2011）
[23] Ye，J。；当，Y。；Li，B.，基于背景值优化和中心点三角白化权重函数的灰色马尔可夫预测模型，Commun非线性科学数值模拟，54，320-330（2018）·Zbl 1510.62392号
[24] Wu，L.F。；刘，S.F。；Yao，L.，样本大小对灰色系统模型的影响，应用数学模型，37，9，6577-6583（2013）·Zbl 1426.62279号
[25] 马，X。；胡永生。；Liu，Z.B.，一种新的核正则化非齐次灰色模型及其应用，Commun非线性科学数值模拟，48，51-62（2017）·Zbl 1510.62391号
[26] 丁·S。；Li，R.J.，基于Simpson规则的新多变量灰色卷积模型及其应用，《复杂性》，2020年，第4564653页，（2020）
[27] 丁·S。；Dang，Y.G。；Li，X.M.，使用新型灰色多变量模型预测中国燃料燃烧的CO_2排放，清洁生产杂志，1621527-1538（2017）
[28] 曾，B。；Duan，H.M。；Bai，Y.，使用无偏灰色模型和弱化缓冲算子预测中国页岩气产量，能源，151，238-249（2018）
[29] 李，C。；Yang，Y。；Liu，S.，时间序列预测模型中弱化缓冲算子性质的比较分析，Commun非线性科学数字模拟，68257-285（2019）·Zbl 1508.62217号
[30] 丁，S.，一种新的离散灰色多变量模型及其在中国高新技术产业产值预测中的应用，计算工业工程，127749-760（2019）
[31] Wang，J。；马，X。；Wu，J.，基于GM（1,1）和季节波动的电力需求预测优化模型，国际电力能源系统杂志，43，1，109-117（2012）
[32] 王Z.X。；李强。；Pei，L.L.，预测主要经济部门用电量的季节性GM（1,1）模型，能源，154，522-534（2018）
[33] 王Z.X。；李强。；Pei，L.L.，基于数据分组方法的中国季度水电产量灰色预测方法，应用数学模型，51，302-316（2017）
[34] 谢，N.M。；Liu，S.F.，离散灰色预测模型及其优化，应用数学模型，33，2，1173-1186（2009）·Zbl 1168.62380号
[35] H.A.Mombeni。；Rezaei，S。；Nadrajah，S.，《基于SARIMA模型的伊朗需水量估计》，环境模型评估，18，5559-565（2013）
[36] 丁·S。；徐，N。；Ye，J.，利用新型离散灰色预测模型估算中国能源相关CO_2排放量，清洁生产杂志，259，第120793页，（2020）
[37] Hu Y.C.用基于神经网络的灰色预测方法预测用电量。2017年《运营研究学会杂志》；68: 1259-1264.
[38] 丁S.，预测中国天然气需求的新型自适应智能灰色模型，能源，162393-407（2018）
[39] Wu，W。；马，X。；Zeng，B.，用于短期天然气消耗预测的新型灰色-伯努利模型，应用数学模型，84，393-404（2020）·Zbl 1481.91133号
[40] 周，W。；吴，X。；Ding，S.，一种新的离散灰色模型在天然气消费预测中的应用：以中国江苏省为例，能源，200，文章117443 pp.（2020）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。