灰色预测模型（原理+例子+Python代码实现）

s_Iris_

已于 2024-07-28 19:14:06 修改

阅读量8.9k

点赞数 46

文章标签：算法机器学习人工智能

于 2024-07-13 00:34:09 首次发布

本文链接：https://blog.csdn.net/2301_77056280/article/details/140364767

版权

一、什么是灰色预测

灰色预测主要特点是模型使用的不是原始数据序列，而是生成的数据序列。核心体系是灰色模型（Grey Model，简称GM），对原始数据作累加生成得到近似的指数规律再进行建模。

优点：不需要很多数据，能解决历史数据少、序列的完整性和可靠性低的问题。
缺点：只使用于中短期的预测，只适用于指数增长的预测。

二、GM（1，1）预测模型

GM（1，1）表示模型是1阶微分方程，且只含1个变量的灰色模型。

一次累加序列

参考数据 $eq?x%5E%7B%280%29%7D%3D%28x%5E%7B%280%29%7D%281%29%2Cx%5E%7B%280%29%7D%282%29%2C%5Ccdot%20%5Ccdot%20%5Ccdot%2Cx%5E%7B%280%29%7D%28n%29%20%29$ ，1次累加生成序列（1-AGO）为：

$eq?x%5E%7B%281%29%7D%3D%28x%5E%7B%281%29%7D%281%29%2Cx%5E%7B%281%29%7D%282%29%2C%5Ccdot%5Ccdot%5Ccdot%2Cx%5E%7B%281%29%7D%28n%29%29%3D%28x%5E%7B%280%29%7D%281%29%2Cx%5E%7B%280%29%7D%281%29+x%5E%7B%280%29%7D%282%29%2C%5Ccdot%5Ccdot%5Ccdot%2Cx%5E%7B%280%29%7D%281%29+x%5E%7B%280%29%7D%282%29+%5Ccdot%5Ccdot%5Ccdot+x%5E%7B%280%29%7D%28n%29%29$

式中 $eq?x%5E%7B%281%29%7D%28k%29%3D%5Csum_%7Bi%3D1%7D%5E%7Bk%7Dx%5E%7B%280%29%7D%28i%29%2Ck%3D1%2C2%2C%5Ccdot%5Ccdot%5Ccdot%2Cn$

均值生成序列

均值生成序列： $eq?z%5E%7B%281%29%7D%3D%28z%5E%7B%281%29%7D%282%29%2Cz%5E%7B%281%29%7D%283%29%2Cz%5E%7B%281%29%7D%284%29%2C%5Ccdot%5Ccdot%5Ccdot%2Cz%5E%7B%281%29%7D%28n%29%29$

式中： $eq?z%5E%7B%281%29%7D%28k%29%3D0.5x%5E%7B%281%29%7D%28k%29+0.5x%5E%7B%281%29%7D%28k-1%29%2C%20k%3D2%2C3%2C4%2C%5Ccdot%5Ccdot%5Ccdot%2Cn$ ，需要注意的是均值生成序列会比一次累加序列的个数少一。

建立灰微分方程

由于我们实现的是指数增长的预测，所以指数模型对应的数学描述为 $eq?y%3Da+ce%5E%7Bb%7D$ ，对应的微分方程为一阶常系数微分方程。

$eq?%5Cfrac%7Bdx%5E%7B%281%29%7Dt%7D%7Bdt%7D+ax%5E%7B%281%29%7Dt%3Db$ 。

求解该微分方程可得到指数型原函数。我们建立对应的灰微分方程： $eq?x%5E%7B%280%29%7D%28k%29+az%5E%7B%281%29%7D%28k%29%3Db%2C%20k%3D1%2C2%2C3%2C%5Ccdot%5Ccdot%5Ccdot%2Cn$

求解微分方程

我们对微分方程两边同时积分得到：

$eq?%5Cint_%7Bk-1%7D%5E%7Bk%7D%5Cfrac%7Bdx%5E%7B%281%29%7Dt%7D%7Bdt%7Ddt+%5Cint_%7Bk-1%7D%5E%7Bk%7Dax%5E%7B%281%29%7D%28t%29dt%3D%5Cint_%7Bk-1%7D%5E%7Bk%7Dbdt$

等式的右边为b，主要就是对等式左边的两个定积分进行分析。

$eq?%5Cint_%7Bk-1%7D%5E%7Bk%7D%5Cfrac%7Bdx%5E%7B%281%29%7D%28t%29%7D%7Bdt%7Ddt%3Dx%5E%7B%281%29%7D%28k%29-x%5E%7B%281%29%7D%28k-1%29%3Dx%5E%7B%280%29%7D%28k%29$

我们分析第一个定积分可以发现，该定积分就是一次累计序列的第K项和第K-1项相减，最后得到原始数据的第K项。

接下来分析第二个定积分：

$eq?%5Cint_%7Bk-1%7D%5E%7Bk%7Dax%5E%7B%281%29%7D%28t%29dt%5Capprox%20a%5Cfrac%7Bx%5E%7B%281%29%7D%28k%29+x%5E%7B%281%29%7D%28k-1%29%7D%7B2%7D1%3Daz%5E%7B%281%29%7D%28k%29$