预测可信度检验
预测可信度检验定量预测以惯性为基础。序列中数据的变化,体现惯性的大小。数据变化笑,则惯性大。具体来说,序列的级比二,无满足。无表示序列“的惯性达到了可作。灰预测建模的地步,而且“越靠近,则惯性越大。而对发展系数。一来说,则当越小,惯性越大。显然有跳变的序列,必为小惯性序列,照理说是不可作灰建模的序列。但当跳变点不少于时,可按跳变点时分布作,建模以预测跳变点未来的时分布。所以灰预测从性质上来看,至少可分为两类值分布灰预测和时分步灰预测。预测可信度检验因为,模型的数据允许少到个。所以具有个以上数据的序列,可通过滚动检验。检验预测模型的可信度。所谓滚动检验是指用前面的数据建模,预测后一个数据,如此一步步的向前滚动。而预测值与实际值的残差,便反映了预测模型的可信度。残差越小,可信度越大。季节灾变灰预测若行为特征量异常值的出现,或者某种事件的发生是在一年中某个特定时区,即对在特定时区发生的事件,作未来时间分布计算的预测称季节灾变预测。特点是灾变一般仅仅发生在一年的某个特定时段。为了提高数据的分辨率,提高建模精度,需要将灾变的发生日期序列作适当的处理,以剔除其多余部分。灾变灰预测对系统行为特征量超出某个阀值界限值的异常值将在何时再出现的预测,建模所用数据己不是行为特征量本身,而是异常行为特征值发生的时间。对于级比少。'不是全部落于可容区的小惯性序列,对跳变点时分布建模以预测跳变点未来的时分布称为灾变灰预测,或异常值灰预测。比如旱年降雨量太小、涝年降雨量太大的时分布预测,均为灾变灰预测。拓扑灰预测是对一段时间内行为特征数据波形的预测。从本质来看,拓扑预测是对一个变化不规则的行为数据列的整体发展态势进行预测。对于大幅度摆动序列,按点集拓扑基选取时分布序列,作,建模,预测拓扑基的时分布,以达到预测摆动序列未来发展态势的目的。根据实际情况,也可以考虑采用其他灰色模型。在定性分析的基础上,定义适当的序列算子,对算子作用后的序列建立模型,通过精度检验之后,即可用来作预测。检验序列的非负性,如果序列中的数据有负数,则进行非负化处理即所有序列数据加最小负数绝对值。对含有零的序列在进行第二步时,一般要做一次累加处理,消除序列中的零。检验序列是否满足准光滑性和准指数规律,如果满足,则转,如果不满足,则要考虑对原始序列数据进行一定的处理,再建模。从滤波精度看,新陈代谢模型高于新息模型。从预测角度看,新陈代谢模型是最理想的预测模型。随着系统的发展,老数据的信息意义将逐步降低,在不断补充新信息的同时,及时地去掉老数据,建模序列更能反映系统在目前的特征。尤其是当系统随着量变的积累,发生质的飞跃或突变时,与过去的系统相比,己是面目全非。去掉己根本不能反映系统目前特征的老数据,显然是合理的。此外,不断地进行新陈代谢,还可以避免随着信息的增加,计算机内存不断扩大,建模运算量不断增大的困难哪。
页:
[1]