灰色预测模型:GM(1,1)预测模型

灰色预测模型

灰色预测的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，即对原始数据作累加生成（或其他方法生成）得到近似的指数规律再进行建模的方法，优点是不需要很多的数据，一般只需要 4 个数据，就能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分挖掘系统本质，精度高；能将无规律的原始数据进行生成得到规律性较强的生成序列，运算简便，易于检验，不考虑分布规律，不考虑变化趋势。缺点是只适用于中短期的预测，只适合指数增长的预测。

GM(1,1)预测模型

$GM(1,1)$表示的是一阶微分方程，且只含有一个变量的灰色模型。

1. $GM(1,1)$模型预测方法

定义： 已知参考数据列 $$x^{(0)}=(x^{(0)}(1),x^{(0)}(2),\dots ,x^{(0)}(n))$$
$1$次累加生成序列$(1-AGO)$
$$\begin{array}{rl}{x}^{(1)}& =(x^{(1)}(1),x^{(1)}(2),\dots ,x^{(1)}(n))\\ & =(x^{(0)}(1),x^{(0)}(1)+x^{(0)}(2),\dots ,x^{(0)}(1)+\cdots +x^{(0)}(n)),\end{array}$$
式中：$x^{(1)}(k)=\sum _{i=1}^k{x}^{(0)}(i)$，$k=1,2,\dots ,n$。

$x^{(1)}$的均值生成序列
$$z^{(1)}=(z^{(1)}(2),z^{(1)}(3),\dots ,z^{(1)}(n)),$$
式中：$z^{(1)}(k)=0.5x^{(1)}(k)+0.5x^{(1)}(k-1)$，$k=2,3,\dots ,n$。

建立灰微分方程
$$x^{(0)}(k)+a{z}^{(1)}(k)=b,k=2,3,\dots ,n,$$
相应的白化微分方程为
$$\frac{d{x}^{(1)}}{dt}+a{x}^{(1)}(t)=b(1).$$

记 $u=[a,b{]}^T$,$Y=[x^{(0)}(2),x^{(0)}(3),\dots ,x^{(0)}(n){]}^T$,$B=\left[\begin{array}{cc}-z^{(1)}(2)& 1\\ -z^{(1)}(3)& 1\\ ⋮& ⋮\\ -z^{(1)}(n)& 1\end{array}\right]$，则由最小二乘法，求得使 $J(u)=(Y-Bu{)}^{\mathrm{T}}(Y-Bu)$ 达到最小值的 $u$ 的估计值为
$$\hat{\mathbf{u}}=[\hat{a},\hat{b}{]}^{\mathrm{T}}=(B^{\mathrm{T}}B{)}^{-1}{B}^{\mathrm{T}}Y,$$
于是求解方程(1)，得 :
$${\hat{x}}^{(1)}(k+1)=\left(x^{(0)}(1)-\frac{\hat{b}}{\hat{a}}\right)e^{-\hat{a}k}+\frac{\hat{b}}{\hat{a}},k=0,1,\cdots ,n-1,\cdots 。$$
2. $GM(1,1)$模型预测步骤

• 数据的检验与处理

为了验证建模方法的可行性，需要对已知数据列作必要的检验处理。设参考数据为 $x^{(0)}=(x^{(0)}(1),x^{(0)}(2),\dots ,x^{(0)}(n))$，计算序列的级比 $$\lambda (k)=\frac{x^{(0)}(k-1)}{x^{(0)}(k)}$$
$k=2,3,\dots ,n$。如果所有的级比 $\lambda (k)$ 都落在可容覆盖 $\Theta =\left(e^{-\frac{2}{n+1}},e^{\frac{2}{n+1}}\right)$ 内，则序列 $x^{(0)}$ 可以作为建模 $GM(1,1)$ 的数据进行灰色预测。否则，需要对序列 $x^{(0)}$ 做必要的变换，使其落入可容覆盖内。如取适当常数 $c$，作平移变换 $y^{(0)}(k)=x^{(0)}(k)+c$，$k=1,2,\dots ,n$，使序列 $y^{(0)}=(y^{(0)}(1),y^{(0)}(2),\dots ,y^{(0)}(n))$ 的级比 ${\lambda }_y(k)=\frac{y^{(0)}(k-1)}{y^{(0)}(k)}\in \Theta$，$k=2,3,\dots ,n$

• 建立模型
  按式 $(1)$ 建立 $GM(1,1)$ 模型，则可以得到预测值 $${\hat{x}}^{(1)}(k+1)=\left(x^{(0)}(1)-\frac{\hat{b}}{\hat{a}}\right)e^{-\hat{a}k}+\frac{\hat{b}}{\hat{a}}$$
  $k=0,1,\dots ,n-1,\dots$，而且 ${\hat{x}}^{(0)}(k+1)={\hat{x}}^{(1)}(k+1)-{\hat{x}}^{(1)}(k)$，$k=1,2,\dots ,n-1,\dots$。
• 检验预测值
  • 残差检验
    令残差为 $\epsilon (k)$，计算 $\epsilon (k)=\frac{x^{(0)}(k)-{\hat{x}}^{(0)}(k)}{x^{(0)}(k)}$，$k=1,2,\dots ,n$，这里 ${\hat{x}}^{(0)}(1)=x^{(0)}(1)$。如果 $\epsilon (k)<0.2$，则认为达到一般要求；如果 $\epsilon (k)<0.1$，则认为达到较高的要求。
  • 级比偏值检验
    首先由参考数据 $\frac{x^{(0)}(k-1)}{x^{(0)}(k)}$计算出级比 $\lambda (k)$，再用发展系数 $a$ 求出相应的级比偏差 $$\rho (k)=1-\left(\frac{1-0.5a}{1+0.5a}\right)\lambda (k)$$。如果 $\rho (k)<0.2$ 则认为达到一般要求；如果 $\rho (k)<0.1$ 则认为达到较高的要求。
• 预测预报
  由 $GM(1,1)$ 模型得到指定时区的预测值，根据实际问题的需要，给出相应的预测预报。