数学建模常用预测模型——灰色预测

数学建模常用预测模型——灰色预测

在准备数学建模国赛期间复盘学习常用的预测模型——灰色预测，为个人学习时的笔记以及个人理解，如有错误，欢迎指正o(￣▽￣)ブ

灰色预测的数学原理主要涉及灰色系统理论中的GM(1,1)模型。这个模型是最常用和基础的灰色预测模型。

假设有一个原始数据序列X(0)，其中X(0) = [x(1), x(2), …, x(n)]，表示一组时间序列数据。

1. 累加生成序列：
   首先，通过累加求得累加生成序列Z(0)，其中Z(0) = [z(1), z(2), …, z(n)]。
   z(k) = ∑x(i)，i=1到k
2. 建立累加生成模型：
   根据累加生成序列Z(0)，可以得到一阶累加生成模型：
   $$z(k)+a\ast y(k)=b$$
   其中a和b是常数，y(k)表示灰色生成序列，而b表示初始条件。
3. 求解模型参数：
   通过最小二乘法或其他参数估计方法，可以求解出累加生成模型中的参数a和b。
4. 还原数据：
   使用累加生成模型，可以还原出白化数据序列X(1)，其中X(1) = [x(1), x(2), …, > x(n)]。
5. 预测未来值：
   根据还原后的白化数据序列，可以进行趋势预测，得到未来的预测结果。

总的来说，GM(1,1)模型通过建立累加生成模型，将原始数据序列转换为灰色生成序列，然后再通过参数求解和还原操作得到白化数据序列，最后进行趋势预测。这个模型的基本思想是通过处理数据间的累加关系，降低随机干扰因素的影响，从而实现预测目的。

需要注意的是，虽然GM(1,1)是最常用的灰色预测模型，但在实际应用中，也有其他版本的模型，如GM(2,1)、GM(1,2)等，适用于不同类型的数据序列。灰色预测模型的准确性和可靠性也受到数据质量和特征的影响，在使用过程中需要综合考虑实际情况。

2.适用场景

灰色预测适用于以下场景：

• 1. 数据量较少或者数据质量较差的情况
     当原始数据缺乏足够的样本或者存在一定程度的噪音时，灰色预测模型能够通过建立累加生成模型，减少随机干扰因素对预测结果的影响，提供相对准确的预测。
• 2. 系统变化规律不明显的情况
     某些系统的变化规律可能比较模糊，不易被明确的数学模型表达，此时可以使用灰色预测模型进行趋势预测。
• 3. 带有非线性特征的数据
     灰色预测模型相对于传统的线性预测模型，更适用 于带有非线性特征的数据序列。
• 4. 需要快速预测的场景
     灰色预测模型具有简单、快速的特点，适用在时间紧迫的情况下进行预测。

3. 限制条件

需要注意的是，灰色预测也存在一定的限制条件：

1. 数据的可靠性要求较高：灰色预测模型对数据的质量要求较高，尤其是对于噪音和异常值的处理。如果数据质量较差，模型的预测结果可能不准确。
2. 数据应具备足够的变化趋势：灰色预测模型通过建立累加生成模型来捕捉数据的变化趋势，因此，数据序列应该具有一定变化规律和趋势，否则模型预测效果可能较差。
3. 对未知因素的适应能力有限：灰色预测模型主要就与已有数据进行预测，对于未知因素的影响无法充分考虑。在面对复杂、多变的环境和系统时，模型的预测能力可能会受到限制。

综上所述，灰色预测模型适用于数据量较少、质量较差以及变化规律不明显的情况先进行预测。

---

关于灰色预测对数据的质量要求到底高不高👇
对于灰色预测模型，数据质量是影响预测结果准确的重要因素之一。
数据质量的要求主要包括以下几个方面：

1. 数据的完整性：数据应该具有较高的完整性，即不缺失关键的数据点。确实的数据点会导致模型建立和预测的不准确性。
2. 数据的精确性：数据应该准确无误的反映研究对象的真实情况。错误或是偏差过大的数据会导致模型建立和预测的失真。
3. 数据的稳定性：数据序列应具有一定的稳定性，即不存在剧烈波动或异常值。过于不稳定的数据会影响模型对趋势的捕捉和预测准确性。
4. 数据平稳性： 数据序列在时间上应该具有平稳性，即均值、方差等统计特征在时间上保持恒定。非平稳序列可能需要先进行平稳化处理，然后再应用灰色预测模型。‘

虽然灰色预测模型相对于传统的模型对数据质量要求低，但较好的数据质量仍然是提高预测准确性的重要保障。因此，在实际应用中，尽量确保数据的完整性、精确性、稳定性和平稳性，会有助于提高灰色预测的预测效果。

---

4. python代码实现

import numpy as np
import pandas as pd
from decimal import *
import matplotlib.pyplot as plt

'''Grade_ratio_test(X0)
用于进行级比检验，判断数据是否适合进行灰色预测。
首先计算序列中相邻两个元素的级比，然后根据级比的范围进行判断。
如果有任何一个级比不符合条件，则输出"该数据未经过级比查验"，并返回 False 。
如果所有级比都符合条件，则输出"该数据经过级比查验"，并返回 True 。
'''
def Grade_ratio_test(X0):
    lambds = [X0[i - 1] / X0[i] for i in range(1, len(X0))]
    X_min = np.e ** (-2 / (len(X0) + 1))
    X_max = np.e ** (2 / (len(X0) + 1))
    for lambd in lambds:
        if lambd < X_min or lambd > X_max:
            print('该数据未经过级比查验')
            return False
    print('该数据经过级比查验')
    return True

'''
model_train(X0_train) 函数用于训练灰色预测模型。
首先根据原始数据 X0_train 计算生成序列 X1 ，然后根据 X1 计算数据矩阵 A 和 B 。
接着使用最小二乘法求解灰色模型的参数 a 和 u ，并将其转换为 Decimal 类型。最后输出灰色参数 a 和 u 
'''
def model_train(X0_train):
    # AGO生成序列X1
    X1 = X0_train.cumsum()
    Z= (np.array([-0.5 * (X1[k - 1] + X1[k]) for k in range(1, len(X1))])).reshape(len(X1) - 1, 1)
    # 数据矩阵A、B
    A = (X0_train[1:]).reshape(len(Z), 1)
    B = np.hstack((Z, np.ones(len(Z)).reshape(len(Z), 1)))
    # 求灰参数
    a, u = np.linalg.inv(np.matmul(B.T, B)).dot(B.T).dot(A)
    u = Decimal(u[0])
    a = Decimal(a[0])
    print("灰参数a：", a, "，灰参数u：", u)
    return u,a

'''
model_predict(u, a, k, X0) 函数
用于进行灰色预测。根据给定的灰色参数 u 和 a ，通过灰色预测模型对序列 X0 进行预测。
预测结果是一个长度为 k 的数组 X0_hat ，表示对序列 X0 的预测结果
'''
def model_predict(u,a,k,X0):
    predict_function =lambda k: (Decimal(X0[0]) - u / a) * np.exp(-a * k) + u / a
    X1_hat = [float(predict_function(k)) for k in range(k)]
    X0_hat = np.diff(X1_hat)
    X0_hat = np.hstack((X1_hat[0], X0_hat))
    return X0_hat
'''
依据后验差等到小差错概率判别猜测成果
:param X0_hat: 猜测成果
:return:
'''
def result_evaluate(X0_hat,X0):
    S1 = np.std(X0, ddof=1)  # 原始数据样本标准差
    S2 = np.std(X0 - X0_hat, ddof=1)  # 残差数据样本标准差
    C = S2 / S1  # 后验差比
    Pe = np.mean(X0 - X0_hat)
    temp = np.abs((X0 - X0_hat - Pe)) < 0.6745 * S1
    p = np.count_nonzero(temp) / len(X0)  # 核算小差错概率
    print("原数据样本标准差：", S1)
    print("残差样本标准差：", S2)
    print("后验差比：", C)
    print("小差错概率p：", p)
    
if __name__ == '__main__':
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 步骤一（替换sans-serif字体）
    plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）
        # 原始数据X
    data = pd.read_excel('./siwei_day_traffic.xlsx')    #读取文件数据
    X=data[data['week_day']=='周五'].jam_num[:5].astype(float).values     #选择关键词为，，的前五个数据作为原始数据
    print(X)
    # 练习集
    X_train = X[:int(len(X) * 0.7)]
    # 测验集
    X_test = X[int(len(X) * 0.7):]
    Grade_ratio_test(X_train)  # 对练习集进行级比检验，判断模型的可行性。
    a,u=model_train(X_train)  #  对练习集进行训练，得到灰色参数 a 和 u
    Y_pred = model_predict(a,u,len(X),X)  # 猜测# 对整个序列 X 进行预测，得到预测结果 Y_pred
    Y_train_pred = Y_pred[:len(X_train)]
    Y_test_pred = Y_pred[len(X_train):] # 将预测结果分别划分为训练集预测结果 Y_train_pred 和测验集预测结果 Y_test_pred
    result_evaluate(Y_test_pred, X_test) # 对测验集预测结果进行评估
    # 可视化
    plt.grid()
    plt.plot(np.arange(len(X_train)), X_train, '->')
    plt.plot(np.arange(len(X_train)), Y_train_pred, '-o')
    plt.legend(['负荷实践值', '灰色猜测模型猜测值'])
    plt.title('练习集')
    plt.show()
    plt.grid()
    plt.plot(np.arange(len(X_test)), X_test, '->')
    plt.plot(np.arange(len(X_test)), Y_test_pred, '-o')
    plt.legend(['负荷实践值', '灰色猜测模型猜测值'])
    plt.title('测验集')
    plt.show()

总结：
模型优点：数据少且无显着规则时可用，使用微分方程发掘数据实质规则。
模型缺点：灰色猜测只合适短期猜测、指数增加的猜测

上面的案例是通过python实现的，但是matalab也同样很好实现，大家可以参考这篇博客数学建模：预测性模型学习——灰色预测模型