经典数学模型之——灰度预测模型

最新推荐文章于 2023-06-17 21:03:00 发布

置顶 lotylotylotyloty

最新推荐文章于 2023-06-17 21:03:00 发布

阅读量1.8w

点赞数 15

分类专栏： Machine-Learning 文章标签：数学建模数据建模

本文链接：https://blog.csdn.net/lvoutongyi/article/details/108037395

版权

Machine-Learning 专栏收录该内容

6 篇文章

订阅专栏

1.灰度模型GM(1,1)简介和适用条件

①GM(1,1)简介：

灰度模型是一种强大的预测模型，是基于原始的数据进行累加计算求得一种规律在进行建模的模型，其强大在于将无序的原始序列可以转变为一种有序的生成指数序列，缺点在于它只适合于指数增长的预测，较为单一,GM(1,1)为一阶只含一个变量的微分方程模型。

②GM(1,1)适用条件和改进

（1）适用条件：

已知原始样本数量为 $n$ ,这里首先定义可容覆盖区间 $\Theta$ 如下：
$\Theta=( e^{-2\over n+1},e^{2\over n+2})$
我们现在假定原始数据样本 $x$ 如下所示：

1	2	3	4	5	···	n
$x (1)$	$x (2)$	$x (3)$	$x (4)$	$x (5)$	···	$x (n)$

定义列序比 $\lambda(k)$ 如下：
$\lambda(k)={x(k-1)\over x(k)}(k=2,3,4,···n)$
若满足如下条件：
$\forall k, \lambda(k)\in \Theta (k=2,3,4,···n)$
则我们称 $x (0)$ 是可以作为GM(1,1)的数据而被灰度预测的。

（2）改进

若上述 $x$ 不满足条件，则可以通过线性平移使得它满足条件：
$y = x + c$
$\lambda_1(k)={y(k-1)\over y(k)}(k=2,3,4,···n)$
$\forall k, \lambda_1(k)\in \Theta (k=2,3,4,···n)$

③GM(1,1)建模公式

为方便读者建模使用，这里直接给出预测值模型公式，如读者想了解详细的建模过程，请查阅笔者给出的文献，下面我们记预测值记为 $x_0(k)$
$x_c(k+1)=(x(1)-{\hat{b}\over \hat{a}})e^{-\hat{a}k}+{\hat{b}\over \hat{a}}(k=0,1,2,3,4····n-1···)$

建模结束还需要进行残差和级别差检验，定义残差 $\rho$ 为
$\rho(k)=x(k)-x_0(k)$
定义级别差 $\xi$ 为:
$\xi(k)=1-{1-0.5a\over 1+0.5a}\lambda(k)$
其中
$x_0(k+1)=x_c(k+1)-x_c(k) (k=1,2,3,4····n-1···)$
$x_0(1)=x(1)$

$x^1(k)=\sum_{i=1}^kx(i)(k=1,2,3,4···n)$
$z^1(k)=0.5x^1(k)+0.5x^1(k-1)(k=2,3,4···n)$
$x(k)+az^1(k)=b(k=2,3,4···n)$
$B=\begin{bmatrix} -z^1(2) & 1 \\ -z^1(3) &1 \\-z^1(4) &1\\··· &1\\-z^1(n) &1\end{bmatrix}$
$Y=[x(2),x(3),x(4),x(5)···x(n)]^T$
$[\hat{a},\hat{b}]^T=(B^TB)^{-1}B^TY$
若 $\rho(k)<0.2$ 则认为达到一般要求，若 $\rho(k)<0.1$ ，则认为达到较高要求。
若 $\xi(k)<0.2$ 则认为达到一般要求，若 $\xi(k)<0.1$ ，则认为达到较高要求。

④GM(1,1)建模应用

现在假设有如下数据集：让我们用灰度模型就行预测：
假设2000-2004年某地每年小麦产量如下所示：

年份	2000	2001	2002	2003	2004
数量	$101.5$	$102$	$102.3$	$102.2$	$102.0$

灰度模型预测过程如下：
首先列出原始数据集 $x$ ：
$x = (101.5, 102, 102.3, 102.2, 102.0)$
利用下列公式求出级比如下：
$\lambda(k)={x(k-1)\over x(k)}(k=2,3,4,···n)$
$\lambda=(0.995098，0.997067，1.000978，1.001961)$
而此时的 $n$ 取为5，这样 $\Theta$ 我们就可以确定下来了
$\Theta=(0.7165,1.3965)$
这样满足了 $\forall k, \lambda_1(k)\in \Theta (k=2,3,4,···n)$
也说明了 $x (0)$ 是可以作为GM(1,1)的数据而应用的。
接下来我们需要求出 $x^1$ 和 $B$ ,由上可知由于：
$x^1(k)=\sum_{i=1}^kx(i)(k=1,2,3,4···n)$
$B=\begin{bmatrix} -z^1(2) & 1 \\ -z^1(3) &1 \\-z^1(4) &1\\··· &1\\-z^1(n) &1\end{bmatrix}$
故带入得到 $x^1$ 和 $B$ ：
$x^1=(101.5,203.5,305.8,408,510)$
$B=\begin{bmatrix}-0.5[x^1(1)+x^1(2)]&1\\ -0.5[x^1(2)+x^1(3)]&1\\-0.5[x^1(3)+x^1(4)]&1\\-0.5[x^1(4)+x^1(5)]&1\end{bmatrix}=\begin{bmatrix}-152.5&1\\ -254.65&1\\ -356.9&1\\-459&1\\\end{bmatrix}$
$Y=[x(2),x(3),x(4),x(5)···x(n)]^T=\begin{bmatrix}101.5 \\102.3\\102.2\\102\end{bmatrix}$
那么：
$[\hat{a},\hat{b}]^T=(B^TB)^{-1}B^TY=\begin{bmatrix}0.0000978234\\ 102.1549 \end{bmatrix}$
最后代入到我们的预测回归的方程中去：
$x_c(k+1)=(x(1)-{\hat{b}\over \hat{a}})e^{-\hat{a}k}+{\hat{b}\over \hat{a}}=1044177.400000786e^{-0.0000978234k}+1044278.900000786$
令 $k$ =(1,2,3,4,5)分别与我们的原始值进行检测对比：-
$x_c=(101.5,203.64,305.77,407.89,510)$
$x_0(k+1)=x_c(k+1)-x_c(k) (k=1,2,3,4····n-1···)$
$x_0(1)=x(1)$
故 $x_0$ 为：
$x_0=(102.0000 ,102.14,102.13 ,102.12 ,102.11)$
下面进行残差和级比偏差检验决定模型是否符合：
$\rho(k)=x(k)-x_0(k)$
$\xi(k)=1-{1-0.5a\over 1+0.5a}\lambda(k)$
结果为：

原始数据	预测数据	残差	级比偏差
101.5	101.50	0
102	102.14	-0.14	0.0050
102.3	102.13	0.17	0.0030
102.2	102.12	0.08	-0.0009
102.0	102.11	-0.11	-0.0019

可见精度较高，对应的MATLAB程序如下所示，如想替换原始数据可将x替换掉即可实现，但是要注意，一定要事先确认是否可灰度预测！：

x=[101.5,102,102.3,102.2,102.0];
[p,q]=size(x);
sum1=1;
for k=2:1:q
    lamuda(sum1)=x(k-1)/x(k);
    sum1=sum1+1
end
thrate1=exp(-2/(q+1));
thrate2=exp(2/(q+1));
for ll=1:1:q
    sum2=0
    for u=1:1:ll
        sum2=sum2+x(u)
    end
    x1(ll)=sum2;
end
for j=1:1:q-1
    B(j,1)=-0.5*(x1(j)+x1(j+1));
    B(j,2)=1;
end
Y=(x(2:1:q))'; 
result=(inv(B'*B))*B'*Y;
a1=result(1);b1=result(2);
canshu1=(x(1)-b1/a1);
canshu2=b1/a1;
yucesum(1)=x(1);
for g=1:1:q-1
yucesum(g+1)=canshu1*(exp(-a1*g))+canshu2;
end
x0(1)=x(1);
for r=1:1:q-1
    x0(r+1)=yucesum(r+1)-yucesum(r)
end
for o=1:1:q
cancha(o)=(x(o)-x0(o))
end
for h=1:1:q-1
    jibipiancha(h+1)=1-((1-0.5*a1)/(1+0.5*a1))*lamuda(h)
end