数学建模——灰色预测模型

模型简介

灰色模型 (grey models)
是通过少量的,不完全的信息，建立灰色微分预测模型，对事物发展作出长期性的描述。

与灰色模型相对应的预测方法有回归分析等，但这些预测方法需要较大的样本，如果样本数量过少会造成误差较大，使得预测失效，因此，在小规模数据时，灰色模型所需信息少，精度高，成为建模中重要的预测手段。

灰色系统

信息不完全的系统称为灰色系统，与之对应的是，信息完全的系统称为白色系统，信息完全不明了的系统称为黑色系统。

基本概念

1. 灰数、灰元、灰关系是灰色现象的特征，是灰色系统的标志。
   灰数是指信息不完全的数，即只知大概范围而不知其确切值的数，灰数是一个数集，记为ⓧ；
   灰元是指信息不完全的元素；
   灰关系是指信息不完全的关系。
2. 灰数的白化值
   所谓灰数的白化值是指，令a为区间，ai为a中的数，若ⓧ在a中取值，则称ai为ⓧ的一个可能的白化值。
3. 灰数生成
   从复杂的原始数据中找到内在规律的过程。
   常见的灰数生成方法有：累加生成，累减生成，均值生成，级比生成
   以累加生成为例，讨论其数学原理。
   定义：
   累加生成,即通过数列间各时刻数据的依个累加以得到新的数据与数列.累加前的数列称原始数列,累加后的数列称为生成数列。公式表示为：
   x ( 1 ) ( i ) = { ∑ i = 1 N x ( 0 ) ( i ) ∣ i = 1 , 2 , ⋯   , N } x^{(1)}(i)=\{{\sum_{i=1}^{N}x^{(0)} (i)\rvert i=1,2,\cdots,N}\} x(1)(i)={i=1∑N​x(0)(i)∣i=1,2,⋯,N}
   称此数据为原始数据的一次累加生成。

GM（1,1）模型

GM(1,1)模型是一阶微分方程模型
$$\frac{dx}{dt}+ax=uGM(1,1)$$
由常数变易法得到
$$\frac{dx}{dt}=e^{-\int adt}[\int u{e}^{\int adt}dt+C]$$
整理得
$$\frac{dx}{dt}=\frac{u}{a}+C{e}^{-at}$$
故离散型形式如下
$$△(x(k+1))+a(x(k+1))=u$$
预测形式如下
$$x(k+1)=[x(1)-\frac{u}{a}]e^{-ak}+\frac{u}{a}$$
由导数定义知
$$\frac{dx}{dt}=\underset{△t\to 0}{\lim }\frac{f(t+△t)-f(t)}{△t}$$
当$△t$很小并取很小的1单位时有
$$x(t+1)-x(t)=\frac{△x}{△t}$$
累加时用前后两个时刻的平均代替
$$x^{(i)}(i)=\frac{1}{2}[x^{(i)}(i)+x^{(i)}(i-1)]$$
代替后如上所示
$$\frac{△x}{△t}=x(k+1)-x(k)={△}^{(1)}(x(k+1))\text{\hspace{1em}(1)}$$
$${△}^{(1)}(x^{(1)}(k+1))=x^{(1)}(k+1)-x^{(1)}(k)=x^{(0)}(k+1)\text{\hspace{1em}(2)}$$
$$x^{(1)}(k+1)=\frac{1}{2}[x^{(1)}(k+1)+x^{(1)}(k)]\text{\hspace{1em}(3)}$$
$${△}^{(1)}(x^{(1)}(k+1))+a(x(k+1))=u\text{\hspace{1em}(4)}$$

由以上四式可得
$$x^{(0)}(k+1)=a[-\frac{1}{2}(x^{(1)}(k)+x^{(1)}(k+1))]+u$$
写成矩阵表达式
$$\left[\begin{array}{c}{x}^{(0)}(2)\\ x^{(0)}(3)\\ ⋮\\ x^{(0)}(N)\end{array}\right]=\left[\begin{array}{c}-\frac{1}{2}[x^{(1)}(2)+x^{(1)}(1)]1\\ -\frac{1}{2}[x^{(1)}(2)+x^{(1)}(1)]1\\ ⋮\\ -\frac{1}{2}[x^{(1)}(2)+x^{(1)}(1)]1\end{array}\right]\left[\begin{array}{c}a\\ u\end{array}\right]$$
令$$y=\left[\begin{array}{c}{x}^{(0)}(2)\\ x^{(0)}(3)\\ ⋮\\ x^{(0)}(N)\end{array}\right]$$
$$B=\left[\begin{array}{c}-\frac{1}{2}[x^{(1)}(2)+x^{(1)}(1)]1\\ -\frac{1}{2}[x^{(1)}(2)+x^{(1)}(1)]1\\ ⋮\\ -\frac{1}{2}[x^{(1)}(2)+x^{(1)}(1)]1\end{array}\right],U=\left[\begin{array}{c}a\\ u\end{array}\right]$$
则有
$$y=BU$$
解得
$$U=\left[\begin{array}{c}a\\ u\end{array}\right]=(B^{T}B{)}^{-1}{B}^{T}y$$
代入公式
$$x^{(1)}(k+1)=[x^{(1)}(1)-\frac{u}{a}]e^{-ak}+\frac{u}{a}$$
即可获得预测值

GM（1,1）精度检验

后验差检验法：
设按GM（1,1）建模法已求出${\hat{x}}^{(1)}$,并将${\hat{x}}^{(1)}$作一次累减，转化为${\hat{x}}^{(0)}$
$${\hat{X}}^{(0)}=[{\hat{x}}^0(1),{\hat{x}}^0(2),\cdots ,{\hat{x}}^0(n)]$$

计算残差得
$$e(k)=x^{(0)}(k)-{\hat{x}}^0(k),k=1,2,\cdots ,n$$
分别计算原始序列和残差序列的方差为$S_1^2,S_2^2$
计算后验差比为
$$C=\frac{S_2}{S_1}$$
指标C越小，说明S1大，也就是原序列方差大，S2小，也就是残差方差小说明拟合效果好。
精度检验对照表

模型精度等级	均方差比值
1级（好）	C<=0.35
2级（合格）	0.35<C<=0.5
3级（勉强）	0.5<C<=0.65
4级（不合格）	0.65<C