Resumen

Basado en las ideas del principio de prioridad de nueva información y del operador generador de acumulación fraccional, en este documento proponemos un novedoso modelo de predicción ponderado GM(1,1) fraccional (WFGM(1,1)). En el nuevo modelo, la secuencia original es primero transformada utilizando el operador generador de acumulación fraccional ponderado, que implica dos parámetros. Con elecciones especiales de estos parámetros, el modelo propuesto WFGM(1,1) se reduce al modelo clásico GM(1,1) y al modelo GM(1,1) fraccional (FGM(1,1)), así como al modelo NIPGM(1,1) de prioridad de nueva información estudiado recientemente. Se estudia detalladamente la propiedad de estabilidad del modelo WFGM(1,1). En la práctica, se adopta el algoritmo de optimización de enjambre de partículas cuánticas para elegir los parámetros cuasi-óptimos para el nuevo modelo con el fin de obtener la mejor precisión de ajuste

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Ideas; Principio de prioridad de nueva información; Operador generador de acumulación fraccional; GM(1,1) fraccional ponderado; Modelo de predicción WFGM(1,1); Algoritmo de optimización de enjambre de partículas cuánticas; Precisión de ajuste óptimo
• Keywords:Ideas; New information priority principle; Fractional-accumulation generating operator; Weighted fractional GM(1,1); WFGM(1,1) prediction model; Quantum particle swarm optimization algorithm; Best fitting accuracy