灰色预测GM(1,1)模型及其Matlab代码求解

最新推荐文章于 2024-12-29 01:30:00 发布

何呵笑哈哈

最新推荐文章于 2024-12-29 01:30:00 发布

阅读量679

点赞数 9

文章标签：人工智能算法机器学习数学建模

本文链接：https://blog.csdn.net/2301_80157120/article/details/142071036

版权

在学习灰色预测模型前，需要理解灰色预测的概念。首先引入白色系统和黑色系统，白色系统指的是一个系统的内部特征是完全已知的，即系统的信息是完全充分的；黑色系统指的是一个系统的内部信息对外界来说是一无所知的，只能通过它与外界的联系来加以观测研究。所以，灰色系统指的是一部分信息是已知的，一部分信息是未知的，系统内各因素之间有着不确定的关系。

灰色预测特点在于使用生成数据序列建模，核心是灰色模型通过累加生成近似指数规律。其优势在于数据需求少（仅4个），能应对数据稀缺与不可靠问题；利用微分方程揭示系统本质，预测精度高；还能将无序数据转化为有序序列，运算简单且检验方便，无需考虑数据分布与趋势。灰色预测模型也存在缺点，即灰色预测只能进行中短期的预测，且只针对指数增长的预测。若进行长期预测，使用灰色预测模型的误差较大，不利于最后的结果分析。针对长期预测，可以使用时间序列预测等模型。当遇到数据量少且进行短期预测，并且数据之间看不出明显规律时，可以选择使用灰色预测模型进行预测。在数学建模比赛中，一般使用灰色预测GM(1,1)模型进行预测，GM(1,1)模型表示模型是一阶微分方程，且只含1个变量的灰色模型。

建立灰色预测模型，首先需要进行累加生成，把数列各项（时刻）数据依次累加的过程称为累加生成过程（AGO）。由累加生成过程所得的数列称为累加生成数列。设原始数列为 $x^{0}=(x^{0}(1),x^{0}(2),x^{0}(3),...,x^{0}(n))$

令 $x^{1}(k)=\sum_{i=1}^{k}x^{0}(i),k=1,2,...,n$ , $x^{(1)}=(x^{1}(1),x^{1}(2),...,x^{1}(n))$

称所得到的新数列为数列 $x^{(0)}$ 的1次累加生成数列。类似地有 $x^{(r)}(k)=\sum_{i=1}^{k}x^{(r-1)}(i),k=1,2,...,n,r\geq 1$ ,称为 $x^{(0)}$ 的r次累加生成数列。除了累加过程，还会存在累减生成和加权邻值生成。

关于加权邻值生成，本文做出如下解释：对于常数 $\alpha \in {\left [ 0 ,1\right ]}$ ,称 $Z^{0}k=\alpha x^{0}k+(1-\alpha )x^{0}(k-1)$ .当生成系数 $\alpha =0.5$ ，称均值生成。

数据的检验和处理

计算数据的级比， $\lambda \left ( k \right )=\frac{X_{k-1}^{0}}{X_{k}^{\left ( 0 \right )}}$ , $k=1,2,3......,n$

检验预测值

（1）残差检验，这里的残差检验指的是相对残差。

$\varepsilon \left ( k \right )=\frac{X_{k}^{(0)}-\widehat{X}_{k}^{(0)}}{X_{k}^{(0)}}$

(2)级比偏差值检验

$\rho \left ( k \right )=1-\frac{1-0.5a}{1+0.5a}\lambda \left ( k \right )$

当 $\left | \rho \left ( k \right ) \right |<0.1$ 时，认为达到较高要求。 $\left | \rho \left ( k \right ) \right |<0.2$ 时，认为达成一般标准。

实例介绍及Matlab的代码求解

实例引入：准确的碳排放预测能够为制定减排政策、优化低碳建筑设计提供重要的参考依据。建立碳排放预测模型，基于江苏省建筑全过程碳排放的历史数据，对2024年江苏省建筑全过程的碳排放量进行预测。

问题分析：要求基于江苏省建筑全过程碳排放的历史数据，建立碳排放预测模型，对 2024 年江苏省建筑全过程的碳排放量进行预测。考虑到经济快速发展，年代久远的数据不利于数值的预测，所以本文调查了2008年至2020年的数据作为样本，首先进行数据的检验，然后建立GM(1,1)模型，进行灰色预测，得到预测值，并对预测值进行检验。

Matlab代码求解：

%建立符号变量a(发展系数)和b(灰作用量) 
syms a b; 
c = [a b]'; 
%原始数列 A 
A = [2.048,2.224,2.46,2.64,2.656,2.691,2.718,2.732,2.801,2.865,2.888,2.907,2.943]; 
n = length(A); 
%对原始数列 A 做累加得到数列 B 
B = cumsum(A); 
%对数列 B 做紧邻均值生成 
for i = 2:n 
    C(i) = (B(i) + B(i - 1))/2;  
end 
C(1) = []; 
%构造数据矩阵  
B = [-C;ones(1,n-1)]; 
Y = A; Y(1) = []; Y = Y'; 
%使用最小二乘法计算参数 a(发展系数)和b(灰作用量) 
c = inv(B*B')*B*Y; 
c = c'; 
a = c(1); b = c(2); 
%预测后续数据 
F = []; F(1) = A(1); 
for i = 2:(n+10) 
    F(i) = (A(1)-b/a)/exp(a*(i-1))+ b/a; 
end 
 
%对数列 F 累减还原,得到预测出的数据 
G = []; G(1) = A(1); 
for i = 2:(n+10) 
    G(i) = F(i) - F(i-1); %得到预测出来的数据 
end 
disp('预测数据为：'); 
 
%绘制曲线图 
A = [2.048,2.224,2.46,2.64,2.656,2.691,2.718,2.732,2.801,2.865,2.888,2.907,2.943]; 
G=[2.0480,2.4352,2.4821,2.5300,2.5787,2.6284,2.6790,2.7306,2.7832,2.8369,2.8915,2.94
 72,3.0040]; 
t1 = 2008:2020; 
t2 = 2008:2020; 
plot(t1, A,'ro'); hold on; 
plot(t2, G, 'g-'); 
xlabel('年份'); ylabel('碳排放量/亿吨'); 
legend('实际碳排放量','预测碳排放量'); 
title('江苏省碳排放量增长曲线'); 
grid on;