灰色预测理论模型

引言：灰色预测模型是通过少量的信息、不完全的信息，建立数学模型并做出预测的一种预测方法，相比于其他预测模型，如回归分析，需要的数据信息少，运算方便，建模精度高，在各种领域都有着广泛的应用，是处理小样本预测问题的有效工具

举个栗子，现在有一组数据序列：

那么问题来了，你能对之后未知的数据进行一个预测吗？

带着你的疑问，我们一起进入灰色系统。推导过程可能有点枯燥乏味，但希望大家能看到最后。不想看推导过程的，文末也会附上代码，可直接修改使用。

首先，我们先对数据进行一个累加求和的操作：

可得到一个全新的序列:

设满足一阶微分方程：(其中a是常数，u是发展灰数)

当时，，此时微分方程的解为：

(把t替换成了k+1)

对于这个结果，很明显，利用最小二乘法求出a和u就可以对未知的数据进行预测了。由于处理的数据是一维离散数据，可以用差分表示微分，因此可以列出一组方程：

用矩阵的形式可以写成：                        

由于涉及到累加列的两个时刻的值，因此，取前后两个时刻的平均值代替更为合理

最终的矩阵形式可以写成：

为了方便求解，可以把U写成：

至此，模型算是求解完毕，但还剩下一个比较重要的工作，那就是最后的结果检验!

精度检验：

（1）残差检验：

残差：

相对残差：

（2）后验差检验：

的均值：

的方差：

残差的均值：

残差的方差：

后验差比值：，小概率误差：

（3）预测精度等级参照表：

预测精度等级	P	C
好
合格
勉强
不合格

接下来是算法的实现（此处使用MATLAB实现），预测第6个和第7个数：

%灰色预测模型
clear all
clc

%数据累加
y1 = input('请输入数据：');%y1为原始数据
n = length(y1);
y2 = ones(n,1);%y2用来放置累加数据
y2(1) = y1(1);

%累加操作
for i = 2:n
    y2(i) = y2(i-1) + y1(i);
end

%建立矩阵B
B = ones(n-1,2);
for i = 1:n-1
    B(i,1) = -(y2(i) + y2(i+1))/2;
    B(i,2) = 1;
end

%求逆矩阵
BT = B';

%建立矩阵y
for i = 1:n-1
    y(i) = y1(i+1);
end
y = y';

%求解U矩阵
U = inv(BT*B)*BT*y;
a = U(1);
u = U(2);

%利用求解出来的微分方程，预测未知数据
t_test = input('输入预测的个数：');
k = 1:t_test+n;
y3(k+1) = (y2(1)-u/a).*exp(-a.*k)+u/a;%根据微分方程预测出来的累加拟合数据
y3(1)=y1(1);
for i = n+t_test:-1:2
    y4(i) = y3(i) - y3(i-1);
end
x1 = 1:n;
xs = 1:n+t_test;
ys = [y1(1) y4(2:n+t_test)];
plot(x1,y1,'^r',xs,ys,'*-b')
legend('原始数据','预测数据')

%检验
det = 0;
for i = 2:n
    det = det + abs(ys(i)-y1(i));
end
det = det / (n + 1);

X = mean(y1);%原始数据的均值
for i = 1:n
    E(i) = y1(i) - ys(i);%残差
end
%计算原始数据的残差
temp1 = 0;
for i = 1:n
    temp1 = temp1 + (y1(i) - X)^2;
end
S1 = sqrt(temp1/n);

%计算残差的方差
temp2 = 0;
for i = 1:n
    temp2 = temp2 + E(i) - mean(E);
end
S2 = sqrt(temp2/(n-1));

C = S2 / S1

disp(['百分绝对误差为：',num2str(det),'%']);
disp(['预测值为：',num2str(ys(n+1:n+t_test))]);


%%----------------------------以下是输出结果
请输入数据：[1 3 8 10 15]
输入预测的个数：2

C =

   1.3160e-09

百分绝对误差为：0.47793%
预测值为：22.7307      34.2451

从图中可以看到的，预测的数据还是比较好的：

 灰色系统对于小数据样本预测有非常好的效果，本文推导的是一阶一元灰色模型，希望以上内容对你能有所帮助，感想观看！