灰色预测模型的详细内容及代码示例

总体概述

灰色预测模型（Grey Prediction Model） 是一种基于灰色系统理论的预测模型，主要用于处理具有少量数据、缺乏规律性和不确定性的时间序列数据。

什么是灰色系统：如果某一系统的全部信息已知为白色系统；全部信息未知为黑箱系统；部分信息已知，部分信息未知，那么这一系统就是灰色系统。

灰色预测模型的基本思想是通过建立灰度微分方程，对原始数据进行处理，从而实现数据序列的规律性揭示和未来趋势的预测。主要应用于具有短期数据、少样本和不完整信息的情况。其特点、优点和缺点如下：

特点：

1. 适用于具有不完整信息和少样本数据的情况，可以处理一些不确定性问题。
2. 在短期预测和小样本预测方面表现良好，尤其适用于时间序列数据。
3. 基于少量历史数据进行预测，不需要假设数据之间的具体关系，因此具有一定的灵活性。
4. 可以较好地处理非线性和非平稳的数据序列，适用于一些复杂的实际问题。

优点：

• 不需要对数据进行严格的统计假设，因此可以更加灵活地适应不同的预测需求。
• 可以在数据量较少或者数据不完整的情况下进行预测，具有较强的鲁棒性。
• 在短期预测方面效果较好，能够有效地处理一些具有较强周期性或季节性的数据。

缺点：

• 在长期预测方面的准确性可能不如一些其他预测模型，尤其是当数据量较少或者数据变化较为复杂时。
• 该模型在处理非线性和非平稳数据时存在一定的局限性，对于某些复杂的数据序列可能预测效果不佳。
• 建模过程相对较为复杂，需要进行参数的选择和模型的优化，不够直观和简单。
• 该模型对数据的质量要求较高，需要确保数据的准确性和完整性，否则容易导致预测结果的不准确性。

步骤

灰色预测模型通常包括以下几个步骤：

1. 建立灰度微分方程： 对原始数据进行初步处理，得到灰度微分方程，用以描述数据的变化规律。
2. 建立GM(1,1)模型： 根据灰度微分方程建立GM(1,1)模型，对数据进行拟合和预测。
3. 模型检验与优化： 对预测结果进行检验，评估模型的准确性，并根据需要对模型进行调整和优化。
4. 预测未来趋势： 利用已建立的灰色预测模型进行未来数据的预测，并提供相应的预测结果。

需要注意的是，灰色预测模型对数据的要求相对较低，适用于一些缺乏充分历史数据或者不规律的时间序列。但同时也存在一些局限性，如对数据质量和稳定性要求高、对系统结构和变化规律的假设等。

原理

设2022,2023,2024这三年的数据分别为 X1(0)=200 , X2(0)=100 , X3(0)=300 , 是无序的一组序列，做一次累加生成新的序列，得到 X1(1)=200 , X2(1)=300 , X3(1)=600 一组递增的序列，公式如下：

之后生成均值序列：
注意：式中 0≤α≤1 为权重，通常当α取0.5的时候叫均值序列，由此建立灰微分方程：

相应的白化微分方程为：

将灰微分方程移项得到：

a，b 为待定参数，上式可以写成矩阵的形式有：

即 Xβ = Y ，由最小二乘法可以确定参数矩阵 β 的估计值：

由此得到参数点 a，b 的估计值，带入白化方程得到序列xk(1)的通解：

还原到原始数列即得到预测函数：

模型检验

灰色预测模型的检验一般根据后验差比（C）的大小来评估模型的拟合效果，常见的评价级别如下：

• 一级：后验差比（C）小于等于0.35，表示模型拟合效果非常好。
• 二级：后验差比（C）在0.35到0.5之间，表示模型拟合效果合格。
• 三级：后验差比（C）在0.5到0.65之间，表示模型拟合效果勉强。
• 四级：后验差比（C）大于0.65，表示模型拟合效果不合格。

这些级别的划分通常是根据经验和实际情况而定，旨在提供一种简单的方式来评估模型的拟合效果。级别越低表示模型的拟合效果越差，级别越高表示模型的拟合效果越好。在实际应用中，可以根据具体情况调整评价标准。

具体使用方法请见后续代码

代码示例

import numpy as np
import matplotlib.pyplot as plt

data = np.array([25, 42, 68, 128, 246])  # 噪音数据
lens = len(data)

# 构建灰色模型GM(1,1)
data_add = data.cumsum()    #计算原始数据的累加和，得到累加数据
ds = data[1:]   #去除原始数据的第一个元素，得到紧邻均值序列
zs = -1 / 2 * (data_add[:-1] + data_add[1:])    #根据累加数据计算紧邻均值序列
B = np.vstack((zs, np.ones(lens - 1))).T    #构建设计矩阵B，其中包括紧邻均值序列和全为1的列向量
Y = ds.reshape(-1, 1)   #将紧邻均值序列重新塑形为列向量，作为因变量Y
a, b = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y)    #使用最小二乘法拟合线性模型，得到系数a和b
print('a =', a)
print('b =', b)

# 预测
def forecast(k):
    c = b / a
    return (data[0] - c) * (np.e ** (-a * k)) + c

data_1_for = []  # 累加预测值
data_0_for = []  # 原始预测值
data_1_for.append(forecast(0))
data_0_for.append(data_1_for[0])
for i in range(1, lens + 5):  # 多预测5次
    data_1_for.append(forecast(i))
    data_0_for.append(data_1_for[i] - data_1_for[i - 1])
print('预测值为：')
for i in data_0_for:
    print(i)

# 模型检验
data_h = np.array(data_0_for[:lens])
sum_h = data_h.sum()
mean_h = sum_h / lens
S1 = np.sum((data_h - mean_h) ** 2) / lens
e = data - data_h
e_sum = e.sum()
e_mean = e_sum / lens
S2 = np.sum((e - e_mean) ** 2) / lens
C = S2 / S1
if C <= 0.35:
    print('1级，效果好')
elif 0.35 < C <= 0.5:
    print('2级，效果合格')
elif 0.5 < C <= 0.65:
    print('3级，效果勉强')
else:
    print('4级，效果不合格')

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 可视化预测结果
plt.figure(figsize=(10, 6))
plt.plot(np.arange(1, lens + 1), data, 'bo-', label='原始数据')
plt.plot(np.arange(1, lens + 6), data_0_for, 'r*--', label='预测数据')
plt.xlabel('时间')
plt.ylabel('数据值')
plt.title('灰色预测模型预测结果')
plt.legend()
plt.grid(True)
plt.show()

运行结果：