Resumen

En las investigaciones empíricas, el modelo GM (1,1) discreto no siempre se ajusta bien, y a veces el error de pronóstico es grande. Para resolver este problema, este estudio propone un modelo dinámico discreto GM (1,1) basado en la teoría de predicción gris y el modelo GM (1,1). En este documento, utilizamos la tecnología de división igual para ajustar la concavidad y convexidad de la secuencia acumulativa y luego construir dos valores promedio dinámicos. Basándonos en los valores promedio dinámicos, desarrollamos además dos modelos dinámicos discretos GM (1,1) y proporcionamos el método heurístico gradual para determinar el número inicial de división igual y el enfoque de dicotomía para optimizar el número de división igual. Finalmente, basándonos en un análisis empírico del número de eventos de conflicto en el proceso de urbanización en China, verificamos que el modelo dinámico discreto GM (1,1) tiene una mayor precisión de ajuste y predicción que el modelo GM (

• Materias:Ecuación pseudoparabólica Dimensión fractal Virus informático Redes dinámicas Sistemas diferenciales
• Subjects:Pseudoparabolic equation Fractal dimension Computer virus Dynamic networks Differential systems
• Palabras claves:Gm discreto (1,1); Dinámico; Teoría de predicción gris; Tecnología de división igualitaria; Concavidad; Convexidad
• Keywords:Discrete gm (1,1); Dynamic; Grey prediction theory; Equal division technology; Concavity; Convexity