数学建模【GM(1, 1)灰色预测】

一、GM(1, 1)灰色预测简介

乍一看，这个名字好奇怪，其实是有含义的

• G：Grey（灰色）
• M：Model（模型）
• (1, 1)：只含有一个变量的一阶微分方程模型

提到灰色，就得先说说白色和黑色

白色系统

• 典型例子：电阻器件
• 特点：内部特征是完全已知的，电压、电流和电阻之间的关系（欧姆定律）是已知的
• 知道电阻大小后，输入电压值，就能算出电流值
• 白色系统课“计算”出想要的结果

黑色系统

• 典型例子：一辆车
• 特点：内部特征是完全未知的，开车并不需要懂发动机设计和工作原理等
• 非专业人士虽然可以控制汽车，然而内部出故障时并不会修
• 黑色系统具有“不可知性”

灰色系统

• 典型例子：GDP就是灰色系统
• 特点：介于黑色和白色之间，部分已知，部分未知，具有小样本数据的不确定系统
• 我们有往年的数据和一定的理论基础（白色）
• 但无法精确计算得出下一年的值（黑色）
• 灰色无法“计算”，但并不是完全“不可知”，可以进行“预测”

二、适用赛题

数列预测

• 特点：定时求量，已知xx年到xx年的数据，请预测下一年的数值
• 常见GDP、人口数量、耕地面积、粮食产量等问题
• 针对的问题往往短期波动小、可预测，但长期可能变化大、难以准确预测

灾变预测

• 特点：定量求时，已知xx年到xx年的数据和某灾变的阈值，预测下一次灾变发生的时间
• 常见洪涝灾害、虫灾等问题
• 模型中需要把超出阈值的数据（异常数据）对应的时间组成新序列

拓扑预测

• 特点：对数据波形进行预测，求的是多个模型构成的模型群，等于求解多个灾变预测
• 与灾变预测类似，不过有较详细的分级，例如虫灾“轻微”“中度”“重度”

注意事项

• 需要的数据量少，而且数据量太多了没意义，例如用近100年去预测下一年毫无意义
• 只能短期预测，究竟多短没有严格限制

三、模型流程

四、流程分析

这里以一个例子贯穿流程分析

问题是预测下一年噪声数据

这个题目特点：数据少、看不出明显规律，适合用灰色预测

1.级比检验和平移变换

为了不让我们一顿操作猛如虎，一看预测不可靠，我们可以在开始之前对数据进行检验，确定原始数据GM(1, 1)模型的可行性。

这里

是原始数据的意思

如果在区间外，可尝试平移变换。也就是给每个数据都加上任意常数c后看是否在区间内，求解后再减去c。如果尝试多次平移变换后始终无法在区间内，说明题目不适合灰色预测。

2.累加数据

因为原始数据看不出什么规律，所以我们要进行操作制造规律，一般是累加数据

弱化其随机性，显现其规律性

3.构造方程

生成的新序列，看起来像一个指数曲线。因此可用一个指数曲线的表达式来逼近这个新序列，相应可构建一个一阶常微分方程来求解拟合指数曲线的函数表达式。

要预测下一年数值，就需要知道新序列的表达式，那就要解出微分方程。要解微分方程，就要先知道参数a和u

4.求参数

b表示灰作用量，-a表示发展系数。

5.求解方程和预测值

拟合值与预测值

• 因为第1到7年的噪声数据是已知的，那么通过微分方程的函数解求出的值就是拟合值
• 拟合值与实际值的偏差，代表了模型的优劣
• 偏差越小，模型越好。偏差过大说明有问题，所以下一步需要拟合值进行模型检验

6.检验

至此，预测完成。

五、补充

此部分是后来发现一些关于GM(1, 1)灰色预测其他讨论的补充。

注：此部分可能与前面的流程图等不兼容，因不方便改动，还请谅解。

1.准指数规律

数据具有准指数规律是使用灰色系统建模的理论基础。

实际建模中，我们要计算出ρ(k) ∈ (0, 0.5)的占比，占比越高越好（一般前两期：ρ(2)和ρ(3)可能不符合要求，我们重点关注后面的期数）

2.发展系数与预测情形的探究

GM(1, 1)适用情况和发展系数的大小有很大关系，《灰色系统理论教程》中给了如下结论：

当|a| > 2时，模型没有意义；当|a| < 2时，GM(1, 1)才有意义。

当a取不同值时，预测的最终效果也不相同，具体讨论如下：

• 当-a < 0.3时，GM(1, 1)模型适合于中期和长期数据的预测
• 当0.3< -a ≤ 0.5时，GM(1, 1)模型适合于短期预测，中长期数据预测应谨慎使用
• 当0.5 < -a ≤ 0.8时，GM(1, 1)模型对于预测短期数据应谨慎使用
• 当0.8 < -a ≤ 1.0时，应对GM(1, 1)进行残差修正(见教材)后使用
• 当-a > 1时，不宜使用GM(1, 1)模型进行预测

所以，我们可以根据预测出的a来和上述范围比较，来确定适用情况。

注意：上面这个结论谨慎使用，按照书上的结果，应该是发展系数越小预测的越精确。

3.GM(1, 1)模型的拓展

                                                                                                        ------源自《灰色系统理论教程》

4.什么时候用灰色预测

下面是参考清风up主的看法，使用哪种模型进行预测是仁者见仁智者见智的事情：

• 数据是以年份度量的非负数据（如果是月份或者季度数据一定要用时间序列模型）
• 数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5）
• 数据的期数较短且和其他数据之间的关联性不强（小于等于10，也不能太短了，比如只有3期数据），要是数据期数较长，一般用传统的时间序列模型比较合适

六、关于预测题目

1.预测题目的一些小套路

1. 看到数据后先画时间序列图并简单的分析下趋势（例如：时间序列分解）
2. 将数据分为训练组和试验组，尝试使用不同的模型对训练组进行建模，并利用试验组的数据判断哪种模型的预测效果最好（比如我们可以使用SSE这个指标来挑选模型，常见的模型有指数平滑、ARIMA、灰色预测、神经网络等）
3. 选择上一步骤中得到的预测误差最小的那个模型，并利用全部数据来重新建模，并对未来的数据进行预测
4. 画出预测后的数据和原来数据的时序图，看看预测的未来趋势是否合理

2.对于预测模型的看法

真正的预测要结合背景，而不是直接套用模型。

预测两要

• 要结合背景
• 要合理假设

预测两不要

• 不要硬套模型
• 不要不做解释

                                                                                                                          ------参考看法：清风