灰色预测模型_产量产值预测-----灰色预测模型

灰色预测模型同我写的上两次文章相同，都是属于预测模型。需要注意的是，灰色预测模型只是一种算法，真正对数据进行分析时，应该多用几种预测模型（包括之前写的指数模型，logstic模型）这样才会使文章更有说服力。

灰色系统理论是中国学者邓聚龙教授1982年3月在国际上首先提出来的。既然有灰色系统，那么就一定有白色系统和黑色系统。

白色系统是指一个系统的内部特征是完全已知的，既系统信息是完全充分的。

黑色系统是一个系统的内部信息对外界来说是一无所知的，只能通过它与外界的联系来加以观测研究。

灰色系统介于白色和黑色之间，灰色系统内的一部分信息是已知的，另一部分信息是未知的，系统内各因素间有不确定的关系。

GM(1,1)模型是灰色系统理论中的单序列一阶灰色微分方程。

以下是它的推导过程：

对于一串数据（序列）：

这些原始数列可能没有任何规律性

但是，做完一次序列累加（即后一项等于前项相加）：

其中：

我看可以看到，累加后生成数列X是单调递增数列。

我们可以把它润滑一下序列点，有：

这里α大于0，小于1，通常取0.5。

于是我们建立灰色微分方程：

（1）

灰色微分方程是包含序列数据点的，但是我们想要预测就必须把他白化。

可以知道

为累加后样本点的差值，即

故原式的白色微分方程为： （2）

将（1）式的样本点带入

（3）

可以求出

从而得到啊a，b的值。

我们还可以通过求解（2）得；

然后还原原始序列：

需要注意的是，k从2开始。

当然，灰色模型也有一些特点和局限性。

灰色预测模型所需要的数据量比较少，预测比较准确，精度较高。她更适用于短期预测或中长期预测。

举个简单的例子：

预测实例，已知某企业2001-2005年的工业总产值

年份

2015

2016

2017

2018

2019

总产值

1.67

1.77

1.93

2.14

2.19

建立Gm(1,1)模型的白化方程，预测2020-2021工业总产值。

直接编写matlab程序输入数据预测：

（附录）

function []=greymodel(y)

% 本程序主要用来计算根据灰色理论建立的模型的预测值。

% 应用的数学模型是 GM(1,1)。

% 原始数据的处理方法是一次累加法。

y=input('请输入数据 ');

n=length(y);

yy=ones(n,1);

yy(1)=y(1);

for i=2:n

yy(i)=yy(i-1)+y(i);

end

B=ones(n-1,2);

for i=1:(n-1)

B(i,1)=-(yy(i)+yy(i+1))/2;

B(i,2)=1;

end

BT=B';

for j=1:n-1

YN(j)=y(j+1);

end

YN=YN';

A=inv(BT*B)*BT*YN;

a=A(1);

u=A(2);

t=u/a;

i=1:n+2;

yys(i+1)=(y(1)-t).*exp(-a.*i)+t;

yys(1)=y(1);

for j=n+2:-1:2

ys(j)=yys(j)-yys(j-1);

end

x=1:n;

xs=2:n+2;

yn=ys(2:n+2);

plot(x,y,'^r',xs,yn,'*-b');

grid on;

hold on;

det=0;

sum1=0;

sumpe=0;

for i=1:n

sumpe=sumpe+y(i);

end

pe=sumpe/n;

for i=1:n;

sum1=sum1+(y(i)-pe).^2;

end

s1=sqrt(sum1/n);

sumce=0;

for i=2:n

sumce=sumce+(y(i)-yn(i));

end

ce=sumce/(n-1);

sum2=0;

for i=2:n;

sum2=sum2+(y(i)-yn(i)-ce).^2;

end

s2=sqrt(sum2/(n-1));

c=(s2)/(s1);

disp(['后验差比值为：',num2str(c)]);

if c<0.35

disp('系统预测精度好')

else if c<0.5

disp('系统预测精度合格')

else if c<0.65

disp('系统预测精度勉强')

else

disp('系统预测精度不合格')

end

end

end

disp(['下个拟合值为 ',num2str(ys(n+1))]);

disp(['再下个拟合值为',num2str(ys(n+2))]);