[正版]正版书籍 冰凌灾害风险管理中的灰色预测决策方法罗党工业技术 环境科学 环境科学基础理论科学出版社97870303

                                                    店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

冰凌灾害风险管理中的灰色预测决策方法
	曾用价	149.00
	出版社	科学出版社
	版次	1
	出版时间	2018年02月
	开本
	著编译者	罗党
	页数	0
	ISBN编码	9787030326294

本书重点介绍灰色预测决策方法及其在冰凌灾害风险管理中的应用实践。全书共10章，包括灰色预测决策方法和冰凌灾害风险管理研究概况、灰色预测决策方法基础、灰色关联决策方法、灰靶决策方法、灰色局势决策方法、灰色风险型决策方法、灰色预测方法、冰凌灾害形成机理及特征分析、黄河冰凌灾害风险管理实践以及冰凌灾害防灾减灾措施与政策建议等。本书在研究方法上突出灰数信息，特别是三参数区间灰数下的决策建模技术，应用上重点解决冰凌灾害风险管理中的风险识别、风险分析、风险评估以及风险决策等问题。

目录
丛书总序
序一
序二
前言
第1章 绪论 1
1.1 灰色预测决策方法研究概况 1
1.1.1 灰色系统理论概述 1
1.1.2 灰色预测方法研究概况 2
1.1.3 灰色决策方法研究概况 6
1.2 冰凌灾害风险管理研究概况 13
1.3 本书目的与内容结构安排 16
第2章 灰色预测决策方法基础 20
2.1 灰数的表征与运算 20
2.1.1 灰数 20
2.1.2 灰数白化与灰度 21
2.1.3 区间灰数及其运算 24
2.1.4 广义灰数及其运算 27
2.2 灰数的排序 29
2.2.1 基于可能度的区间灰数排序 29
2.2.2 基于相对核和精确度的区间灰数排序 33
2.2.3 基于相对优势度的三参数区间灰数排序 35
2.3 序列算子 36
2.3.1 差分级比算子 36
2.3.2 累加生成算子 38
2.3.3 缓冲算子 39
2.4 本章小结 42
第3章 灰色关联决策方法 43
3.1 灰色关联算子 43
3.2 灰色关联分析 46
3.2.1 点关联分析 46
3.2.2 广义关联分析 51
3.3 灰数信息下的灰色关联决策方法 58
3.3.1 决策信息为区间灰数的关联决策方法 58
3.3.2 决策信息为三参数区间灰数的关联决策方法 66
3.3.3 决策信息为三参数区间灰数的相位关联决策方法 74
3.4 考虑决策者风险偏好的灰色关联决策方法 77
3.4.1 基于前景理论的灰色关联决策方法 77
3.4.2 基于后悔理论的灰色关联决策方法 81
3.5 本章小结 86
第4章 灰靶决策方法 88
4.1 灰靶决策基本原理 88
4.2 灰数信息下的多目标灰靶决策方法. 91
4.2.1 区间灰数信息下的灰靶决策方法 91
4.2.2 三参数区间灰数信息下的灰靶决策方法 101
4.2.3 考虑灰数取值分布信息的多尺度灰靶决策方法 107
4.3 混合信息下的多目标灰靶决策方法 113
4.4 本章小结 120
第5章 灰色局势决策方法 122
5.1 灰色局势决策基本原理 122
5.2 目标权重未知的灰色局势决策方法 126
5.2.1 目标权重计算的二次规划法 127
5.2.2 目标权重计算的熵理论法 131
5.2.3 目标权重计算的综合偏差-关联测度矩阵法 134
5.3 多目标灰色局势群决策方法 141
5.3.1 基于AHP判断矩阵的灰色局势群决策方法 142
5.3.2 基于Orness测度约束的多阶段灰色局势群决策方法 143
5.3.3 基于模糊测度和Choquet积分的灰色局势群决策方法 147
5.3.4 基于灰色不确定语言变量的灰色局势群决策方法 154
5.4 本章小结 163
第6章 灰色风险型决策方法 165
6.1 灰色风险型动态决策方法 165
6.2 灰色风险型群决策方法 177
6.2.1 灰色多属性风险型群决策方法 177
6.2.2 灰色多阶段多属性风险型群决策方法 184
6.3 灰色随机决策方法 192
6.3.1 融合前景理论和集对分析的灰色随机决策方法 192
6.3.2 基于前景熵的灰色随机决策方法 199
6.4 本章小结 205
第7章 灰色预测方法 207
7.1 灰色GM(1,1)模型 207
7.2 灰色GMP(1,1,N)模型 213
7.3 多变量灰色GMC(1,N)模型 222
7.4 离散多变量灰色DGMC(1,N)模型 230
7.5 本章小结 242
第8章 冰凌灾害形成机理及特征分析 243
8.1 黄河冰凌概况 243
8.1.1 黄河流域概况 243
8.1.2 黄河流域冰凌灾害 244
8.1.3 黄河宁蒙河段冰情概况 245
8.2 冰凌的生消演变过程 247
8.2.1 结冰期 247
8.2.2 封冻期 248
8.2.3 解冻期 250
8.3 冰凌灾害的形成机理 250
8.3.1 冰塞灾害的演变过程 251
8.3.2 冰坝灾害的形成机理 252
8.3.3 历史凌灾统计 254
8.4 黄河宁蒙河段冰凌灾害特征分析 255
8.4.1 冰情变化影响因素分析 255
8.4.2 近年来宁蒙河段凌情新特征及变化分析 258
8.5 本章小结 262
第9章 黄河冰凌灾害风险管理实践 263
9.1 黄河冰凌灾害风险特征及其管理流程 263
9.1.1 黄河冰凌灾害风险特征 263
9.1.2 黄河冰凌灾害风险管理流程 265
9.2 黄河冰凌灾害风险的灰色关联预测方法 272
9.2.1 基于灰色相位关联测度的冰凌灾害风险评估 273
9.2.2 基于灰色GM(1,1)模型的冰凌灾害风险预测 276
9.3 黄河冰凌灾害风险评估的两阶段智能灰色粗糙方法 279
9.3.1 冰凌灾害风险评估指标体系 279
9.3.2 数据来源与数据预处理 280
9.3.3 两阶段智能灰色粗糙评估方法 280
9.3.4 基于两阶段智能灰色粗糙方法的冰凌灾害风险评估步骤 286
9.3.5 实证分析 287
9.4 黄河凌汛防灾物资管理的灰色决策方法 292
9.4.1 基于灰色关联聚类方法的凌汛防灾物资分类管理 292
9.4.2 基于灰色局势决策方法的凌汛防灾物资储备管理 299
9.5 本章小结 305
第10章 冰凌灾害防灾减灾措施与政策建议 307
10.1 冰情监测技术 307
10.2 冰凌灾害防灾减灾措施 309
10.2.1 工程措施 310
10.2.2 非工程措施 311
10.3 防凌政策建议 312
10.4 本章小结 314
参考文献 315

第1章 绪论
　　1.1 灰色预测决策方法研究概况
　　1.1.1 灰色系统理论概述
　　随着科学技术的发展、人类社会的进步和人的认识能力的提高，人们对客观世界的认识正在经历一个向着多样性、复杂性和不确定性发展的根本变化。20世纪50年代以来，不确定性理论逐渐成为系统科学领域的研究热点和重要前沿。在这种背景下，各种不确定性系统理论和方法不断涌现，其中产生广泛影响力的理论与方法有模糊数学（ZadehLA，1965）、粗糙集理论（PawlakZ，1982）、灰色系统理论（邓聚龙，1982）、集对分析（赵克勤，1989）以及未确知数学（王光远，1990）等。这些研究成果与经典的概率论一起，从不同角度、不同侧面描述和处理各类不确定信息，揭示复杂系统内部更为深刻和更为本质的内在规律，极大地促进了科学技术的发展。
　　区别于概率论、模糊数学、粗糙集理论等不确定性理论，灰色系统理论以“部分信息已知、部分信息未知”的“少数据”“贫信息”不确定性系统为研究对象，主要通过对部分已知信息的生成、开发，提取有价值信息，实现对系统运行行为、演化规律的正确描述和有效监控，具有原创性科学意义，是我国对系统科学的贡献。灰色系统理论与其他三种*常用的不确定性理论的对比见表1-1-1。
　　表1-1-1 四种不确定性理论的对比
　　灰色系统理论经过30多年的发展，通过国内外众多学者的共同努力，已基本形成一门新兴学科的结构体系。灰色系统理论的主要内容包括：灰数运算与灰色代数系统、灰色方程、灰色矩阵等灰色系统的基础理论；序列算子和灰色信息挖掘方法；用于系统诊断、分析的系列灰色关联分析模型；用于解决系统要素和对象分类问题的多种灰色聚类评估模型；系列灰色预测模型（GM）和灰色系列预测方法与技术；主要用于方案评价和选择的系列灰色决策方法；以多方法融合创新为特色的灰色组合模型，如灰色规划、灰色投入产出、灰色博弈、灰色控制等。灰色系统理论的应用领域十分广泛，涉及农业科学、经济管理、环境科学、医药卫生、矿业工程、教育科学、水利水电、图像信息、生命科学、控制科学和航空航天等众多领域，产生了显著的社会效益和经济效益（刘思峰等，2014）。
　　灰色系统理论的迅速发展及其在众多科学领域中的成功应用，赢得了国内外学术界的充分肯定和关注。目前，中国、英国、美国、日本、澳大利亚、加拿大、奥地利、俄罗斯、印度、南非、土耳其、瑞典等国家有许多知名学者从事灰色系统研究和应用。我国是灰色系统研究的主战场，涌现出了一批杰出学者及其团队，为灰色系统理论建立、发展、完善和推广做出了重要贡献。近年来，大量灰色系统优秀学术著作相继出版，如《灰色决策理论与方法》（罗党和王洁方，2012）、《灰预测与决策方法》（肖新平和毛树华，2013）、《灰色系统气质理论》（邓聚龙，2014）、《灰色系统理论及其应用》（刘思峰等，2014）、Grey Data Analysis: Methods， Models and Applications（LiuSFetal.，2017）等。先后有100多项灰色系统理论及应用的研究课题获得中国国家自然科学基金和欧盟委员会、英国皇家学会以及加拿大、西班牙、罗马尼亚等国家基金支持。全世界相继有数千种学术刊物接收和刊登灰色系统论文，The Journal of Grey System（SCI源刊）、Grey System: Theory and Application等杂志均专门刊登灰色系统理论及应用方面的学术论文。据不完全统计，截至2013年底，SSCI，SCI，EI，ISTP，SA，MR等国际**检索机构收录我国学者的灰色系统论文超过3万篇。IEEE灰色系统与智能服务国际会议（IEEE International Conference on Grey System and Intelligent Services， IEEE GSIS）、全国灰色系统理论及应用学术会议等灰色系统的重要学术会议的成功召开，促进了灰色系统理论的快速发展。
　　总之，灰色系统理论作为一门新兴学科已经以其强大的生命力立于科学之林。在大数据时代，现实世界中仍然存在大量“少数据”“贫信息”不确定性系统，这无疑为灰色系统理论提供了丰富的研究资源和广阔的发展空间。
　　1.1.2 灰色预测方法研究概况
　　灰色预测方法是研究*活跃、应用*广的灰色系统模型之一，同时也是一类新的现代预测方法。灰色预测方法在解决数据获取性较差的问题时，以少量可获取的信息为基础，利用灰色算子提高序列的光滑度、准指数性，生成新序列，进而实现预测，提高了预测的精度，有效解决了经济社会系统中数据缺失、不真实等影响研究工作的瓶颈问题，弥补了大样本建模要求的不足（党耀国等，2015）。
　　灰色预测包括系列灰色预测模型（GM）、灰色系统预测方法和技术。GM系列模型包括GM（1，1）模型、离散GM模型、分数阶GM模型、Verhulst模型和GM（r；h）模型等。灰色系统预测是基于GM模型做出的定量预测，按照其功能可分为数列预测、区间预测、灾变预测、季节灾变预测、波形预测和系统预测等几种类型（刘思峰等，2014）。随着灰色预测方法的不断拓展，它越来越受到国内外学者的广泛认可，在常用的中英文数据库中以“灰色预测”或“grey forecasting“为主题词进行搜索（检索时间为2017年6月22日），共有16244篇中英文文献被检索到（表1-1-2）。
　　表1-1-2 灰色预测论文常用数据库收录情况
　　从当前的理论研究和现实生产需求角度出发，本节着重介绍以GM（1，1）模型为主的单变量灰色预测方法和以GM（1，N）模型为主的多变量灰色预测方法的研究概况。
　　1.GM（1，1）模型研究概况
　　GM（1，1）模型既是灰色系统理论的重要组成部分，也是灰色预测理论的基础模型和核心模型。1985年，邓聚龙教授首先提出了GM（1，1）模型，对其建模条件进行研究，提出了光滑比和级比检验等先验检验方法，求解了GM（1，1）模型的参数包，并提出了多种扩展形式。此后国内外学者加入到灰色预测模型的理论研究中，并从模型性质、改进、拓展和应用等方面逐步发展和完善了GM（1，1）模型。
　　（1）GM（1，1）模型性质研究。它主要包括GM（1，1）模型的适用范围、无偏性、病态性等研究。代表性研究如刘思峰和邓聚龙等通过研究指出GM（1，1）模型的适用范围是发展系数a在。2.2（刘思峰和邓聚龙，2000）。吉培荣等以白指数序列为研究对象，通过分析GM（1，1）预测白指数序列的模拟误差，给出了无偏GM（1，1）模型（吉培荣等，2000）。王正新等阐述了GM（1，1）和无偏GM（1，1）的禁区现象（王正新等，2007）。郑照宁等通过对GM（1，1）模型性质的研究，指出灰色预测模型全都存在严重的病态性，而模型的病态性问题源自模型自身，并以此否定了灰色预测模型的理论与应用价值（郑照宁等，2001）。党耀国等从矩阵的角度，利用矩阵条件对灰色预测模型的病态性问题进行研究，否定了灰色模型都存在病态性的结论，指出只有在常数序列中，并且除去首项、其余项都接近零的情况下，GM（1，1）模型才会出现此类病态问题，因此，GM（1，1）模型不存在严重的病态问题（党耀国等，2008）。
　　（2）GM（1，1）灰色微分方程的优化与改进。它主要包括从GM（1，1）模型的灰导数、背景值等方面对模型进行优化与改进，以提高其预测精度。灰导数优化的思路大致分为向后差商和向前差商后进行加权平均，如李玻和魏勇在对原始序列进行向后差商和向前差商的基础上，给出了其白化方法的合理性，进而改进了加权系数的确定方法，提高了模型的预测精度（李玻和魏勇，2009）。GM（1，1）模型的背景值z（1）（k）是通过一次累加后的均值生成的，背景值的生成过程是否准确将直接影响模型的预测精度，因此，许多学者对背景值优化进行了探讨，如谭冠军首先提出GM（1，1）模型的背景值优化，并从z（1）（k）的集合意义入手定义了一个全新的背景值求解公式（谭冠军，2000）。罗党等利用齐次指数函数对一次累加生成序列进行拟合，进而构造了新的背景值公式，提高了预测精度（罗党等，2003）。随后，众多学者从这两个角度对GM（1，1）模型的背景值优化问题展开了一系列研究，取得了丰富的研究成果。
　　（3）GM（1，1）模型参数估计方法。经典GM（1，1）模型的参数估计方法是基于*小二乘准则展开的，随后学者们从不同角度出发，研究了参数估计的折扣*小一乘法（穆勇，2003）、线性规划法（何文章等，2005）、递推*小二乘法（Shih N Y et al.，2006）等方法。也有学者将微粒群算法（张岐山，2007）、遗传算法（何文章和宋国乡，2005）等智能算法应用于GM（1，1）模型的参数估计中，提高了模型的预测精度，拓宽了模型的适用范围。
　　（4）GM（1，1）模型扩展及其应用研究。邓聚龙教授提出了GM（1，1）模型群，在GM（1，1）模型的基础上，从定义和白化过程出发，推导出了GM（1，1，x（1）），GM（1，1，x（0）），GM（1，1，b），GM（1，1，exp）和GM（1，1，C）5种派生模型。2014年，刘思峰等通过模拟实验，确定了４种GM（1，1）基本模型，即均值GM（1，1）模型（EGM）、离散GM（1，1）模型（DGM）、均值差分GM（1，1）模型（EDGM）和原始差分GM（1，1）模型（ODGM），并明确了不同模型适用的序列类型。学者们从实际应用需求角度，对GM（1，1）模型也展开了一系列拓展研究，如Tien和Chen为了进一步体现GM（1，1）模型的动态性，结合时间序列ARMA的建模机理，提出了DGDM（1，1，1）模型，其得到了广泛应用（Tien T L and Chen C K，1997）。谢乃明和刘思峰构建了离散GM（1，1）模型，给出了递推求解算法，通过研究该模型的性质，发现离散GM（1，1）模型对于白指数序列建模具有完全重合性（谢乃明和刘思峰，2005）。针对实际问题中存在大量非等间距时序问题，而经典的GM（1，1）模型仅适用于等间距序列的预测和模拟，学者们对非等间距序列的预测问题展开研究。如Wang等研究了离散GM（1，1）模型的无偏性，并给出了递推解法，同时求解了不同初始条件下无偏模型的递推公式，对两种不同准则下的初始条件进行了优化（Wang Z X，et al.，2009）。同时，GM（1，1）模型的各种派生模型也层出不穷，如李希灿等提出了GM（1，1，β）模型，研究了模型的内涵型和参数包形式，分析了GM（1，1，β）模型的若干性质，并给出了其优化算法（李希灿等，2014）。钱吴永等提出了含时间幂次项的灰色GM（1，1，tα）模型，研究了其建模过程和参数估计方法（钱吴永等，2012）。
　　综上所述，目前对灰色预测模型的研究主要集中在GM（1，1）模型的优化与拓展上，以提高模型的预测精度。对于拓广灰色预测模型适用范围的研究还相对较少。在工业、农业、经济、管理等实际领域中，周期型数据、时滞型数据、变趋势数据、多因素截面数据、多因素面板数据、灾变数据、震荡型数据等不同特征的数据普遍存在，构建对应的灰色预测模型，分析模型的适用范围和参数求解方法是未来的一个研究方向（党耀国等，2015）。另外，在大数据时代，基于少数据挖掘的灰色系统预测方法异军突起，成为人们从海量数据中萃取有价值信息的有效工具。以原有灰色系统模型检验方法为基础，融合统计检验的思想，构建更为规范的模型检验准则也是一项十分有意义的工作（刘思峰和杨英杰，2015）。
　　2.GM（1，N）模型研究概况
　　在现实生活中，存在大量复杂多变的不确定系统，如农业系统、公交系统、煤矿安全系统等均含有多个不同的影响变量。如何对这些少信息多因子不确定系统作整体的、全局的、动态的分析是我们面临的一个现实问题。因此，邓聚龙教授首先提出了多变量灰色预测GM（1，N）模型，并将其用于湖北省某城市的经济、科技、社会协调发展规划中。刘思峰等认为灰作用量变化幅度很小时可近似为灰常量，在理论上给出了GM（1，N）模型的近似时间响应式（刘思峰等，2014）。但是，学者们在实际应用中发现，该近似时间响应式虽然具有较好的鲁棒性，但其泛化能力较差，有时也会产生不可容忍的误差。为此，学者们从以下几个方面改进GM（1，N）模型，以克服模型在预测上的缺陷：
　　（1）背景值和时间响应式的优化。Hsu运用遗传算法优选GM（1，N）模型的背景值系数，据此预测中国台湾集成电路行业的产值（Hsu L C，2009）；刘寒冰等重构了背景值计算公式，运用京哈公路某路段的路基沉降数据验证了模型的有效性（刘寒冰等，2013）；何满喜和王勤运用Simpson数值积分公式计算灰作用量，取得了较好的效果（何满喜和王勤，2013）。
　　（2）多变量离散灰色预测模型。由于多变量灰色GM（1，N）模型运用离散形式估计模型参数，而采用连续微分方程拟合系统演化行为，因此参数估计与系统模拟之间存在跳跃性误差。为此，仇伟杰和刘思峰利用采样定理和状态转移矩阵研究了模型的离散化结构解（仇伟杰和刘思峰，2006）；谢乃明和刘思峰基于离散到离散的视角，将单变量离散灰色模型拓展为多变量离散灰色模型（谢乃明和刘思峰，2008）。
　　（3）时滞多变量灰色预测模型。考虑现实经济社会系统中客观广泛存在的变量之间因果作用的时滞现象，如在灾害预警中，从发现警情到拟定应对方案、从方案实施到警情变化的过程均具有系统延迟特征，Tien运用卷积积分公式系统地研究了含时滞效应的多变量灰色GMC（1，N）模型，并将其成功运用于高温环境下材料抗张强度的间接度量、燃气炉二氧化碳排放量预测等领域中（Tien T L，2010，2012）；张可等提出了时滞参数的测算方法，解决了中国农村水环境与农村区域发展的滞后效用测算和预测问题（张可等，2015）；毛树华等引入分数阶累加生成算子构造了分数阶累加时滞GM（1，N，τ）模型（毛树华等，2015）；Ma和Liu运用递归方法推导出离散GMC（1，N）模型，并研究了两模型之间的联系与差异（Ma X and Liu Z B，2016）；Wang和Hao运用智能算法优选GMC（1，N）模型的背景值系数，实现了对中国工业能源消费量的高精度预测（Wang Z X and Hao P，2016）。
　　（4）非线性多变量灰色预测模型。为准确描述现实系统行为变量和影响因子变量之间的非线性结构特征，王正新建立了GM（1，N）幂模型，并据此成功地预测了2009年至2011年中国高新技术产业总产值（王正新，2014）；Wang运用非线性多变量灰色NGMC（1，N）模型预测了中国工业生产二氧化硫的排放量（Wang Z X，2014）；Ma等将核函数映射的思想引入非线性多变量灰色模型的求解中，探索了通过核正则化求解非线性灰色预测模型的可行性（Ma X et al.，2016）。
　　此外，Wu等将弱化缓冲算子引入多变量灰色预测模型中，并通过实例验证了小样本数据环境下灰色模型较多元线性回归、支持向量回归和BP神经网络的优越性（Wu L F et al.，2016）；Zeng等修正GM（1，N）模型的灰作用量，构建了NGM（1，N）模型，并据以预测2016年至2020年北京市机动车辆的增长趋势（Zeng B et al.，2016）；He等考虑到模型参数估计的稳定性，运用Tikhonov正则化方法辨识模型参数（He Z et al.，2015）；Guo等将GM（1，N）模型和自忆性原理相耦合建立了多输入多输出灰色MGM（1，N）模型，并成功地将其用于路基沉降和基坑变形预测（Guo X J et al.，2015）。
　　综上所述，多变量灰色预测模型的研究成果多集中于离散模型的构建、背景值与时间响应式的优化、仿射变换性质等方面，而关于建模过程中参数估计方法稳定性和时滞参数优选的研究较少，选择影响因子变量的定量化方法、非线性多变量灰色预测模型的建模机理与求解方法，以及具有非线性特征的多输入多输出灰色预测模型的研究尚处于起步阶段，有待于进一步研究。
　　1.1.3 灰色决策方法研究概况
　　在决策分析中，由于信息的不完备性、人力资本的质量、个体对目标的识别程度等，决策信息通常是“部分信息已知，部分信息未知”的“小样本”“贫信息”，并经

1