灰色预测模型

特点

• 使用的数据是将原始数据通过累加生成（或其他方式生成）得到近似指规律的数据序列。
• 优点：
  • 对数据量要求不高，一般只需要4个数据；
  • 解决了历史数据少、序列的完整性及可靠性低的问题；
  • 能利用微分防尘来充分挖掘系统的本质，精度高；
  • 将无规律的原始数据进行生成的到规律性较强的生成序列，易于检验，不考虑分布规律和变化趋势；
• 缺点：
  • 之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)表示模型是一阶微分方程，且只含1个变量的灰色模型。
相关定义：
原始数据序列：$x^{(0)}=(x^{(0)}(1),x^{(0)}(2),\dots ,x^{(0)}(n))$
级比：$\lambda (k)=\frac{x^{(0)}(k-1)}{x^{(0)}(k)},k=2,\dots ,n$，如果所有的级比$\lambda (k)$都落在可覆盖范围$\Theta =(e^{-\frac{2}{n+1}},e^{\frac{2}{n+2}})$内，则说明序列$x^{(0)}$可使用GM(1,1)模型进行灰色预测；否则需要对序列$x^{(0)}$进行变换处理，使其落在可覆盖范围内（即去适当的常数$c$，进行平移变换），$y^{(0)}(k)=x^{(0)}(k)+c,k=1,\dots ,n$，然后对$y^{(0)}$进行GM(1,1)灰色预测。
一次累加生成序列：$x^{(1)}$（$x^{(0)}$的1-AGO序列）
$$\begin{array}{rl}{x}^{(1)}& =(x^{(1)}(1),x^{(1)}(2),\dots ,x^{(1)}(n))\\ & =(x^{(0)}(1),x^{(0)}(2)+x^{(0)}(2),\dots ,\sum _{i=0}^n{x}^{(0)}(i))\end{array}$$
$x^{(1)}$中紧邻两个值的均值序列：
$$z^{(1)}=(z^{(1)}(2),z^{(1)}(3),\dots ,z^{(1)}(n)),其中z^{(1)}(k)=\frac{1}{2}(x^{(1)}(k)+x^{(1)}(k-1)),k=2,\dots ,n$$
我们称$x^{(0)}(k)+a{z}^{(1)}(k)=b,其中k=2,\dots ,n$为GM(1,1)模型的基本形式，其中$b$表示灰作用量，$-a$表示发展系数。
记$\mathbf{u}=[a,b{]}^T,\mathbf{Y}=[x^{(0)}(2),\dots ,x^{(0)}(n){]}^T,\mathbf{B}=\left[\begin{array}{cc}-z^{(1)}(2)& 1\\ ⋮& ⋮\\ -z^{(1)}(n)& 1\end{array}\right]$，于是$x^{(0)}(k)+a{z}^{(1)}(k)=b$可以表示为
$$\mathbf{Y}=\mathbf{Bu}$$
设目标函数为$\mathbf{J}(\mathbf{u})={(\mathbf{Y}-\mathbf{Bu})}^T(\mathbf{Y}-\mathbf{Bu})$，由最小二乘法求得使目标函数取得最小值时$\mathbf{u}$的估计值为
$$\hat{\mathbf{u}}=[\hat{a},\hat{b}{]}^T=({\mathbf{B}}^T\mathbf{B}{)}^{-1}{\mathbf{B}}^T\mathbf{Y}$$
白化方程：
由上可得到：$x^{(0)}(k)=-\hat{a}{z}^{(1)}(k)+\hat{b},k=2,\dots ,n$。
$x^{(0)}(k)=x^{(1)}(k)-x^{(1)}(k-1)={\int }_{k-1}^k\frac{d{x}^{(1)}(t)}{dt}dt$（牛顿-莱布尼茨公式）
$z^{(1)}(k)=\frac{1}{2}(x^{(1)}(k)+x^{(1)}(k-1))\approx {\int }_{k-1}^k{x}^{(1)}(t)dt$（定积分的几何意义，$x_k^{(1)}到x_{k-1}^{(1)}$与$t$轴围成的面积相等）
因此有：
$$\begin{array}{rl}{\int }_{k-1}^k\frac{d{x}^{(1)}(t)}{dt}dt& \approx -\hat{a}{\int }_{k-1}^k{x}^{(1)}(t)dt+{\int }_{k-1}^k\hat{b}dt\\ & ={\int }_{k-1}^k[-\hat{a}{x}^{(1)}(t)+\hat{b}]dt\end{array}$$
于是，得到微分方程：$\frac{d{x}^{(1)}(t)}{dt}=-\hat{a}{x}^{(1)}(t)+\hat{b}$ 被称为GM(1,1)模型的白化方程。
由上面的微分方程，最终可以得到：
$${\hat{x}}^{(1)}(k+1)=\left(x^{(0)}(1)-\frac{\hat{b}}{\hat{a}}\right)e^{-\hat{a}k}+\frac{\hat{b}}{\hat{a}},k=0,1,\dots$$

检验预测值

（1）残差检验。令残差为$\epsilon (k)$，$$\epsilon (k)=\frac{x^{(0)}(k)-{\hat{x}}^{(0)}(k)}{x^{(0)}(k)},k=1,\dots ,n$$
如果$\epsilon (k)<0.2$，则可认为达到一般要求；若$\epsilon (k)<0.1$，则可认为达到较高要求。
（2）级比偏差值检验。令级比偏差为$\rho (k)$，$$\rho (k)=1-\frac{1-0.5a}{1+0.5a}\lambda (k),k=1,\dots ,n$$
如果$\rho (k)<0.2$，则可认为达到一般要求；若$\rho (k)<0.1$，则可认为达到较高要求。

案例

结合案例能更好理解（偷个懒啦）：

Matlab代码

GM(1,1)适用于具有较强指数规律的序列，只能描述单调变化过程，对于非单调的摆动发展序列或有饱和的S形序列，可以考虑使用GM(2,1)、DGM和Verhulst模型。

GM(2,1)

GM(2,1)相较GM(1,1)而言，多了一次累减生成序列，用${\alpha }^{(1)}{x}^{(0)}$表示（$x^{(0)}$的(1-IAGO)序列）。
$${\alpha }^{(1)}{x}^{(0)}=({\alpha }^{(1)}{x}^{(0)}(2),\dots ,{\alpha }^{(1)}{x}^{(0)}(n))$$，其中
$${\alpha }^{(1)}{x}^{(0)}(k)=x^{(0)}(k)-x^{(0)}(k-1),k=2,\dots n$$
GM(2,1)基本模型为：
$${\alpha }^{(1)}{x}^{(0)}(k)+a_1{x}^{(0)}(k)+a_2{z}^{(1)}(k)=b$$
其白化方程为：
$$\frac{d^2{x}^{(1)}}{d{t}^2}+a_1\frac{d{x}^{(1)}}{dt}+a_2{x}^{(1)}=b$$
令$\mathbf{u}=[a_1,a_2,b{]}^T,\mathbf{Y}=[{\alpha }^{(1)}{x}^{(0)}(2),{\alpha }^{(1)}{x}^{(0)}(3),\dots ,{\alpha }^{(1)}{x}^{(0)}(n){]}^T=[x^{(0)}(2)-x^{(0)}(1),[x^{(0)}(3)-x^{(0)}(2),\dots ,x^{(0)}(n)-x^{(0)}(n-1){]}^T,\mathbf{B}=\left[\begin{array}{ccc}-x^{(0)}(2)& -z^{(1)}(2)& 1\\ ⋮& ⋮& ⋮\\ -x^{(0)}(n)& -z^{(1)}(n)& 1\end{array}\right]$
于是最小二乘估计为
$$\hat{u}=({\mathbf{B}}^T\mathbf{B}{)}^{(-1)}{\mathbf{B}}^T\mathbf{Y}$$

DGM(2,1)

与GM(2,1)模型相比，没有使用均值序列。
即基础模型为：
$${\alpha }^{(1)}{x}^{(0)}(k)+a{x}^{(0)}(k)=b$$
白化方程为：
$$\frac{d^2{x}^{(1)}}{d{t}^2}+a\frac{d{x}^{(1)}}{dt}=b$$
令$\mathbf{u}=[a,b{]}^T,\mathbf{Y}=[{\alpha }^{(1)}{x}^{(0)}(2),{\alpha }^{(1)}{x}^{(0)}(3),\dots ,{\alpha }^{(1)}{x}^{(0)}(n){]}^T=[x^{(0)}(2)-x^{(0)}(1),[x^{(0)}(3)-x^{(0)}(2),\dots ,x^{(0)}(n)-x^{(0)}(n-1){]}^T,\mathbf{B}=\left[\begin{array}{cc}-x^{(0)}(2)& 1\\ ⋮& ⋮\\ -x^{(0)}(n)& 1\end{array}\right]$
于是最小二乘估计为
$$\hat{u}=({\mathbf{B}}^T\mathbf{B}{)}^{(-1)}{\mathbf{B}}^T\mathbf{Y}$$

Verhulst模型

Verhulst模型主要用来描述具有饱和状态的过程，即S形过程，常用于人口预测、生物生长、繁殖预测及产品经济寿命预测等。
Verhulst基本模型为：
$$x^{(0)}+a{z}^{(1)}=b(z^{(1)}{)}^2$$
对应的白化方程为：
$$\frac{d{x}^{(1)}}{dt}+a{x}^{(1)}=b(x^{(1)}{)}^2,t为时间$$
令$\mathbf{u}=[a,b{]}^T,\mathbf{Y}=[x^{(0)}(2),\dots ,x^{(0)}(n){]}^T,\mathbf{B}=\left[\begin{array}{cc}-z^{(1)}(2)& (z^{(1)}(2){)}^2\\ ⋮& ⋮\\ -z^{(1)}(n)& (z^{(1)}(n){)}^2\end{array}\right]$
于是最小二乘估计为
$$\hat{u}=[\hat{a},\hat{b}{]}^T=({\mathbf{B}}^T\mathbf{B}{)}^{(-1)}{\mathbf{B}}^T\mathbf{Y}$$

写在最后：
不难看出后面的内容灌水了，但学起来真的太累，这篇内容主要摘自《数学建模算法与应用（第二版）》司守奎 孙兆亮主编，但书中有一些简略（换句话说：自己的能力还有待提高），像我这样的小白还得多百度看看大佬们的讨论，才能更好理解思路。总的来说，对GM(1,1)了解个七七八八了，对其它就是略知一二，先码在这儿吧，等实践用了之后再回来补充。