Resumen

Como herramienta para analizar series temporales, los modelos de predicción gris han sido ampliamente utilizados en varios campos de la sociedad debido a su mayor precisión en la predicción y las ventajas del modelado con muestras pequeñas. El modelo GM (1, ) básico es el modelo gris más popular e importante, en el que el primer 1 representa el primer orden y el segundo representa el multivariado. La construcción de los valores de fondo no solo es un paso importante en el modelado gris, sino también el factor clave que afecta la precisión de la predicción de los modelos de predicción gris. Con el fin de mejorar aún más la precisión de la predicción de los modelos de predicción gris multivariados, este artículo establece un nuevo modelo de predicción gris multivariado basado en valores de fondo dinámicos (abreviado como modelo DBGM (1, )) y utiliza el algoritmo de optimización de ballenas para resolver los parámetros óptimos del modelo. El modelo DBGM (1, N) puede adaptarse a diferentes series temporales cambiando los parámetros para lograr el propósito

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Modelos de predicción gris; Series temporales; Modelo GM (1, ); Multivariado; Valores de referencia; Precisión de la predicción
• Keywords:Grey prediction models; Time series; GM (1, ) model; Multivariate; Background values; Prediction accuracy