数模心得——灰色预测

灰色模型，简称GM模型

揭示系统内部连续发展的变化过程

在数据已知的情况下，其内部的层次关系是模糊的，采用这种模型去预测未知

特点

1. 样本数据不能太大，太大要采用bp神经网络
2. 样本不需要有规律性的分布，要满足动态变化的随机性
3. 计算数据量小，不能预测太长时间之后的变化
4. 定量分析和定性分析的结果一致

灰色系统，系统内部部分已知，有迹可循

白色系统，全都知道

黑色系统，全不知道，只能观测外部研究

一般采用GM（1.1）模型，一阶，一个变量

一次累加生成削弱随机性较有规律的新的离散数列

数据检验（实在没时间可以不做）

检测预测数据对于原始数据的拟合程度

残差检验：

（首先进行归一化）消除量纲的影响，

小于20%，认为达到要求

小于10%，认为非常好

级比偏差检验（差不多）

模型应用场景

1. 数据是以年份度量的非负数据
2. 数据跨度较短，与其他数据关联性不强

python代码加注释

# -*- coding: utf-8 -*-
"""
Spyder Editor

This is a temporary script file.
"""
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.zeros([2,1])
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   #请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))    
else:
    print('灰色预测法不适用')