演化聚类分析改进熵权模型：组合预测新方法

"这篇论文是'基于演化聚类分析的组合预测改进熵权模型及其应用'，由陶志富、朱家明、刘金培和陈华友共同撰写，发表在《控制与决策》2020年第2期，页码410-416。文章提出了一种新的组合预测方法，通过融合演化聚类分析来改进传统的熵值赋权模型，特别关注于汇率数据的预测，如美元兑日元的汇率。" 正文: 在预测领域，组合预测是一种有效的方法，它结合多种单一预测模型的结果以提高预测精度。然而，传统的熵值赋权法在处理大量数据时可能会导致各预测模型权重分配的区分度不足。针对这一问题，该研究引入了演化聚类分析技术，提出了一种改进的熵权模型。 首先，熵权模型是一种依据信息熵理论来确定各预测模型权重的方法，其核心思想是根据预测误差的不确定性来分配权重。在传统熵权模型中，误差的熵值被用来量化预测方法的不确定性，但这种方法可能在大样本情况下无法充分反映各个模型的相对优劣。 为了克服这个限制，论文提出了演化聚类分析。此技术通过对所有单项预测结果的绝对误差信息进行聚类，揭示了误差在不同类别间的分布情况。这种聚类使得我们能观察到误差在整体和局部层面的差异，从而更好地理解各个预测模型的性能。通过这种方式，可以更精确地为每个预测模型赋予合适的权重，提高了组合预测的效率。 在实际应用中，研究以美元兑日元的汇率数据作为案例，验证了新模型的有效性。实验结果表明，该改进熵权模型在预测汇率变动方面表现出了优于传统方法的性能，证明了该模型的可行性和实用性。 此外，论文还列举了几个相关的研究，如基于灰熵模型的不确定多属性决策方法，非等间距GM(1,1)模型的优化，多变量离散灰色预测模型，以及基于匹配属性相似度的应急决策方案推荐方法，这些都展示了在不同领域的预测和决策问题中，熵和聚类分析技术的应用潜力。 这篇论文为组合预测提供了新的思路，通过将演化聚类分析与熵权模型相结合，提升了预测模型权重分配的精度，对于复杂经济数据的预测具有重要的理论价值和实践意义。