灰色预测模型介绍、python代码实现及可视化

灰色预测模型

灰色预测模型（Grey Model, GM）是一种基于灰色系统理论的预测方法，由邓聚龙教授于1982年提出。灰色预测适用于数据不完全、信息不足的情况，特别是在只有少量数据可供分析时。灰色预测的基本思想是通过生成数据（Data Generation），利用已知数据建立微分方程模型，然后求解模型参数，进行预测。

灰色预测的基本步骤：

1. 数据标准化：

   • 将原始数据进行累加或累减生成（AGO），以消除数据的随机波动，使数据呈现某种规律性。

2. 建立灰色微分方程：

   • 根据数据生成的方法，建立相应的微分方程模型。对于AGO，模型通常为一阶线性微分方程：
     
   • 其中，( x(t) ) 是原始数据的AGO，( a ) 是发展系数，( u ) 是灰色作用量。

3. 数据同化：

   • 将数据同化为矩阵形式，以便使用最小二乘法求解模型参数。

4. 求解模型参数：

   • 利用最小二乘法求解微分方程中的参数( a )和( u )。

5. 建立预测模型：

   • 根据求得的参数，建立预测模型，用于预测未来的数据点。

6. 模型检验：

   • 通过后验差检验，计算残差、残差平均值、残差方差等，评估模型的预测精度。

7. 进行预测：

   • 使用建立的预测模型，对未来的数据点进行预测。

灰色预测模型的特点：

• 适用性广：适用于数据不足、信息不完全的情况。
• 简单易行：模型结构简单，易于理解和应用。
• 预测精度较高：在许多情况下，灰色预测的精度可以满足实际应用的需求。

灰色预测模型的局限性：

• 数据质量依赖性：模型的预测精度在很大程度上依赖于原始数据的质量。
• 适用范围限制：对于非线性或波动较大的数据，灰色预测可能不够准确。
• 参数敏感性：模型参数的微小变化可能会对预测结果产生较大影响。

应用领域：

灰色预测模型广泛应用于经济、社会、科技、环境等多个领域，特别是在数据不足的情况下进行趋势预测和决策分析。

灰色预测作为一种实用的预测工具，虽然在理论上可能不如其他一些预测方法完善，但在实际应用中，由于其简单性和有效性，仍然得到了广泛的应用和认可。

灰色预测模型案例分析及代码实现

# -*- coding: utf-8 -*-
import numpy as np
import math

history_data = [724.57,746.62,778.27,800.8,827.75,871.1,912.37,954.28,995.01,1037.2]
n = len(history_data)
X0 = np.array(history_data)

#累加生成
history_data_agg = [sum(history_data[0:i+1]) for i in range(n)]
X1 = np.array(history_data_agg)

#计算数据矩阵B和数据向量Y
B = np.zeros([n-1,2])
Y = np.zeros([n-1,1])
for i in range(0,n-1):
    B[i][0] = -0.5*(X1[i] + X1[i+1])
    B[i][1] = 1
    Y[i][0] = X0[i+1]

#计算GM(1,1)微分方程的参数a和u
A = np.linalg.inv(B.T.dot(B)).dot(B.T).dot(Y)
a = A[0][0]
u = A[1][0]

#建立灰色预测模型
XX0 = np.zeros(n)
XX0[0] = X0[0]
for i in range(1,n):
    XX0[i] = (X0[0] - u/a)*(1-math.exp(a))*math.exp(-a*(i))

#模型精度的后验差检验
e = 0      #求残差平均值
for i in range(0,n):
    e += (X0[i] - XX0[i])
e /= n

#求历史数据平均值
aver = 0;     
for i in range(0,n):
    aver += X0[i]
aver /= n

#求历史数据方差
s12 = 0;     
for i in range(0,n):
    s12 += (X0[i]-aver)**2
s12 /= n

#求残差方差
s22 = 0;       
for i in range(0,n):
    s22 += ((X0[i] - XX0[i]) - e)**2
s22 /= n

#求后验差比值
C = s22 / s12   

#求小误差概率
cout = 0
for i in range(0,n):
    if abs((X0[i] - XX0[i]) - e) < 0.6754*math.sqrt(s12):
        cout = cout+1
    else:
        cout = cout
P = cout / n

if (C < 0.35 and P > 0.95):
    #预测精度为一级
    m = 10   #输入需要预测的年数
    print('往后m各年负荷为：')
    f = np.zeros(m)
    for i in range(0,m):
        f[i] = (X0[0] - u/a)*(1-math.exp(a))*math.exp(-a*(i+n))    
        print(f[i])
else:
    print('灰色预测法不适用')

灰色预测是一种对含有不确定因素的系统进行预测的方法，特别适用于信息不完全、数据不足的情况下。下面是对上述代码的详细介绍解读：

1. 导入库：

   • numpy：用于数学运算。
   • math：用于数学函数。

2. 定义历史数据：

   • history_data：包含历史数据的列表。

3. 生成累加生成数据：

   • history_data_agg：通过对原始数据进行累加生成，以便于灰色预测模型的建立。

4. 构建数据矩阵和向量：

   • B：数据矩阵，用于灰色预测模型。
   • Y：数据向量，包含原始数据的下一时刻值。

5. 计算模型参数：

   • A：包含模型参数a和u的向量，通过最小二乘法计算得出。

6. 建立灰色预测模型：

   • XX0：预测值列表，根据模型参数a和u计算得出。

7. 模型精度的后验差检验：

   • 计算残差平均值e。
   • 计算历史数据平均值aver。
   • 计算历史数据方差s12。
   • 计算残差方差s22。
   • 计算后验差比值C。

8. 求小误差概率：

   • 计算小误差概率P，用于评估模型的预测精度。

9. 模型适用性判断：

   • 如果后验差比值C小于0.35且小误差概率P大于0.95，则认为模型预测精度为一级，可以进行后续预测。
   • 否则，认为“灰色预测法不适用”。

10. 进行预测：

    • 如果模型适用，根据需要预测的年数m，计算并打印出未来m年的预测值。

灰色预测模型的关键在于通过最小二乘法确定模型参数，然后利用这些参数来预测未来的数据点。模型的适用性通过后验差比值和误差概率进行评估，以确保预测的可靠性。

需要注意的是，灰色预测法适用于具有一定规律性的数据，如果数据波动较大或者没有明显的规律，灰色预测可能不适用。此外，灰色预测法的精度也受到数据质量和数量的影响。

模型结果可视化

使用matplotlib库来绘制原始数据、预测数据和残差

# 可视化
import matplotlib.pyplot as plt
# 用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False 
plt.figure(figsize=(10, 6))
plt.plot(history_data, label='原始数据')
plt.plot(XX0, label='预测数据')
plt.scatter(range(n), XX0, color='red', label='预测点', zorder=5)
plt.scatter(range(n), history_data, color='blue', label='原始点', zorder=5)
plt.title('灰色预测模型可视化')
plt.xlabel('时间')
plt.ylabel('数据值')
plt.legend()
plt.show()

往后m各年负荷为：
1079.3804472397678
1125.6545763553997
1173.9125240874293
1224.2393387420698
1276.7237147322548
1331.4581488899137
1388.5391034795105
1448.0671762001398
1510.1472774757826
1574.8888153461746

# 可视化原始数据和预测数据
plt.figure(figsize=(10, 6))
plt.plot(range(n), X0, label='原始数据')
plt.plot(range(n, n+m), f, label='未来预测数据', linestyle='--', color='red')
plt.title('灰色预测模型可视化')
plt.xlabel('时间')
plt.ylabel('数据值')
plt.legend()
plt.show()