数学建模--灰色预测

写在前面：
内容出自课程《数学建模学习交流》，主讲人：清风

---

灰色预测是对既含有已知信息又含有不确定信息的系统进行预
测，就是对在一定范围内变化的、与时间有关的灰色过程进行预测。
灰色预测对原始数据进行生成处理来寻找系统变动的规律，并
生成有较强规律性的数据序列，然后建立相应的微分方程模型，从
而预测事物未来发展趋势的状况。

GM(1,1)

原理

设$x^{(0)}=(x^{(0)}(1),x^{(0)}(2),...,x^{(0)}(n))$是最初的非负数据列，对其进行一次累加得到新的生成数据列$x^{(1)}$:
$$x^{(1)}=(x^{(1)}(1),x^{(1)}(2),...,x^{(1)}(n))$$
其中，$x^{\left(1\right)}\left(m\right)={\sum }_{i=1}^m{x}^{\left(0\right)}\left(i\right),m=1,2,...,n$，
令$z^{(1)}$为数列$x^{(1)}$的紧邻均值生成数列，即$z^{(1)}=(z^{(1)}(2),z^{(1)}(3),...,z^{(1)}(n))$，其中$z^{(1)}(m)=\delta x^{(1)}m+(1-\delta )x^{(1)}(m-1),m=2,3,...,n且\delta =0.5$

称$x^{(0)}(k)+a{z}^{(1)}(k)=b$为$GM(1,1)$模型的基本形式$(k=2,3,...,n)$，其中，$b$表示灰作用量，$-a$表示发展系数。
$==>$
$$x^{(0)}(k)=-a{z}^{(1)}(k)+b$$
$==>$
$$y=kx+b$$
通常情况下，若$|a|>2$，则模型贴合度极差，建议更换预测方式；其余情况越小越好。



还可以对进行修正：
$${\hat{x}}_1(k+1)=\{\begin{array}{c}\left(x_0(1)-\frac{b}{a}\right)e^{-ak}+\frac{b}{a}\\ \left(x_0(1)-\frac{b}{a}\right)e^{-ak}+\frac{b}{a}\pm a_{\epsilon }\left({\epsilon }_0\left(k_0\right)-\frac{b_{\epsilon }}{a_{\epsilon }}\right)e^{-a\left(k-k_0\right)}\end{array}$$

检验

拓展

GM(1,1)一般只适用于单调指数增长序列，若数据呈现饱和的S型，可以考虑下面几个模型：
Verhulst模型
Verhulst模型的灰微分方程在GM(1,1)的基础上做出了更改：
$$x^{(0)}(k)=-a{z}^{(1)}(k)+b(z_1{)}^2$$
预测方程：
$${\hat{x}}_1(k+1)=\frac{a{x}_1(0)}{b{x}_1(0)+\left(a-b{x}_1(0)\right)e^{ak}}$$
GM(2,1)模型