https://wenku.baidu.com/view/a0f758a44228915f804d2b160b4e767f5bcf8065.html
百度文库讲的很好
代码片
clc;clear; %建立符号变量a(发展系数)和b(灰作用量)
syms a b;
c = [a b]';
A = [19050 19359 20419 21212 22765]; %输入需要预测的数据
T1=length(A);
T2=3; %输入需要预测数据个数
t1=1:T1;
t2=1:T1+T2;
n = T1;
%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'; %Y进行了转置,C的公式求法与百度文库 发生了一些变化
% 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; %核心公式
c = c';
a = c(1); b = c(2);
disp(['变量a:',num2str(a)]);
disp(['变量u:',num2str(b)]);
%预测后续数据
F = []; F(1) = A(1);
for i = 2:T1+T2
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:T1+T2
G(i) = F(i) - F(i-1); %得到预测出来的数据
end
disp(['预测数据为:',num2str(G)]);
%模型检验
H = G(1:T1);
epsilon = A - H; %计算残差序列
disp(['残差检验:',num2str(epsilon)]);
%法一:计算相对误差Q
delta = abs(epsilon./A);
Q = mean(delta);
disp(['相对残差Q检验:',num2str(Q)]);
%法二:方差比C检验
C = std(epsilon, 1)/std(A, 1); %方差函数std 按照列分
disp(['方差比C检验:',num2str(C)]);
%法三:小误差概率P检验
S1 = std(A, 1);
tmp = find(abs(epsilon - mean(epsilon))< 0.6745 * S1);
P = length(tmp)/n;
disp(['小误差概率P检验:',num2str(P)])
%绘制曲线图
plot(t1, A,'ro'); hold on;
plot(t2, G, 'g-');
grid on;
GM模型精度检验
模型选定之后, ,一定要经过检验才能判定其是否合理一定要经过检验才能判定其是否合理, 只有通过检验的模型才能用来作预测, 灰色模型的精度检验一般有三种方法灰色模型的精度检验一般有三种方法: 相对误差大小检验法, 关联度检验法和后验差检验法. 下面主要介绍后验差检验法:
指标C和p是后验差检验的两个重要指标。指标C越小越好,C越小表示S1大而S2越小,S1大表示原始数据方差大,即原始数据离散程度大。S2小表示残方差小,即残差离散程度小。C小就表明尽管原始数据很离散,而模型所得计算值与实际值之差并不太离散。
精确检验等级参照表
模型精确度等级 均方差比值C
1级(好) C<=0.35
2级(合格) C<=0.5 & C>0.35
3级(勉强) C<=0.65 & C>0.5
4级(不合格) C>0.65
指标越大越好,p越大,表明残差与残差平均值之差小于给定值0.6745得点越多,即拟合值(或预测值)分布比较均匀。按C,p两个指标,可综合评定预测模型得精度。模型的精度由后验差和小概率共同刻划。
最终结果
变量a:-0.052808
变量u:17793.946
预测数据为:19050 19305.2003 20352.0772 21455.7237 22619.2186 23845.807 25138.9106 26502.1362
残差检验:0 53.7997 66.92285 -243.7237 145.7814
相对残差Q检验:0.00479
方差比C检验:0.098678
小误差概率P检验:1