灰色预测模型及MATLAB实例
下面将主要从三方面进行大致讲解,灰色预测概念及原理、灰色预测的分类及求解步骤、灰色预测的实例讲解。
一、灰色预测概念及原理:
1.概述:
关于所谓的“颜色”预测或者检测等,大致分为三色:黑、白、灰,在此以预测为例阐述。其中,白色预测是指系统的内部特征完全已知,系统信息完全充分;黑色预测指系统的内部特征一无所知,只能通过观测其与外界的联系来进行研究;灰色预测则是介于黑、白两者之间的一种预测,一部分已知,一部分未知,系统因素间有不确定的关系。细致度比较:白>黑>灰。
2.原理:
灰色预测是通过计算各因素之间的关联度,鉴别系统各因素之间发展趋势的相异程度。其核心体系是灰色模型(Grey Model,GM),即对原始数据做累加生成(或者累减、均值等方法)生成近似的指数规律在进行建模的方法。
二、灰色预测的分类及求解步骤:
1.GM(1,1)与GM(2,1)、DGM、Verhulst模型的分类比较:
![88484ece90fd7dfb7ee5baf1f198e4a7.png](https://i-blog.csdnimg.cn/blog_migrate/5fc4e07fc291887a7c4a6c00c566b7d3.png)
2.求解步骤思维导图:
其中预测过程可能会涉及以下三种序列、白化微分方程、以及一系列检验,由于大致都相同,仅仅是某些使用累加和累减,而另外一些则使用累加、累减和均值三个序列的差别而已。于是下面笔者将对其进行归纳总结再进行绘制思维导图,帮助读者理解。
(1)原始序列(参考数据列):
![688bcdd7fbfd944f402032171f49a440.png](https://i-blog.csdnimg.cn/blog_migrate/83bc665e207b7361feedc63d6d0b4eb0.png)
(2)1次累加序列(1-AGO):
![97fa18e96adc546db7b7932e58fe85c1.png](https://i-blog.csdnimg.cn/blog_migrate/b9f0a2e5b4ea04f1480533fddde9e212.png)
(3)1次累减序列(1-IAGO):
![e94d35f7fb26696b9c7bc83b4353ccf3.png](https://i-blog.csdnimg.cn/blog_migrate/fd959874c9f9307245492538ef933f3c.png)
(也就是原始序列中,后一项依次减去前一项的值,例如,
![dab8615e12205d70ddc66fe47e6b1943.png](https://i-blog.csdnimg.cn/blog_migrate/e9bb674a6e723bb01af2bb98e92b3ba3.png)
。
(4)均值生成序列:
![563e817f71307aec055bac9cc513e673.png](https://i-blog.csdnimg.cn/blog_migrate/4ce1c2342f6d6ac78235911d14b51435.png)
(这是对累加序列"(前一项+后一项)/2"得出的结果。)
求解步骤:
![c3950ee7e7bcbd6c2fc3d911fd9e042f.png](https://i-blog.csdnimg.cn/blog_migrate/85f24f321c937231a420c1b63f31ffa5.png)
三、灰色预测的实例讲解:
1.使用GM(1,1)的预测检验“北方某城市1986年-1992年道路噪声交通 平均声级数据:”
见下图:
![a16e8ada93e646e0963fa177b8777072.png](https://i-blog.csdnimg.cn/blog_migrate/3a0c6715d03ce05276b152a6e839c545.jpeg)
x0 = [71.1 72.4 72.4 72.1 71.4 72 71.6]'; %这里是列向量,相当于原始数据中因变量
n = length(x0);
lamda = x0(1:n-1)./x0(2:n) %计算级比
range = minmax(lamda') %计算级比的范围
x1 = cumsum(x0)
B = [-0.5*(x1(1:n-1)+x1(2:n)),ones(n-1,1)]; %这是构造的数据矩阵B
Y = x0(2:n); %数据向量Y
u = BY %拟合参数u(1)=a,u(2)=b
syms x(t)
x = dsolve(diff(x)+u(1)*x==u(2),x(0)==x0(1)); %建立模型求解
xt = vpa(x,6) %以小数格式显示微分方程的解
prediction1 = subs(x,t,[0:n-1]); %求已知数据的预测值
prediction1 = double(prediction1); %符号数转换成数值类型,以便做差分运算
prediction = [x0(1),diff(prediction1)] %差分运算,还原数据
epsilon = x0'-prediction %计算残差
delta = abs(epsilon./x0') %计算相对残差
rho = 1-(1-0.5*u(1))/(1+0.5*u(1))*lamda'%计算级比偏差值,u(1)=a
2.使用GM(2,1)的MATLAB实例:
题目:已知=(41,90,61,78,96,104),试建立GM(2,1)模型。
%% -------------2.GM(2,1)预测模型-------------------%%
x0 = [41 49 61 78 96 104];
n = length(x0);
add_x0 = cumsum(x0);%1次累加序列
minus_x0 = diff(x0)'; %1次累减序列
z = 0.5*(add_x0(2:end)+add_x0(1:end-1))';%计算均值生成序列
B = [-x0(2:end)',-z,ones(n-1,1)];
u = Bminus_x0 %最小二乘法拟合参数
syms x(t)
x = dsolve(diff(x,2)+u(1)*diff(x)+u(2)*x == u(3),x(0) == add_x0(1),x(5) == add_x0(6)); %求符号解
xt = vpa(x,6) %显示小数形式的符号解
prediction = subs(x,t,0:n-1);
prediction = double(prediction);
x0_prediction = [prediction(1),diff(prediction)];%求已知数据点的预测值
x0_prediction = round(x0_prediction) %四舍五入取整数
epsilon = x0-x0_prediction %求残差
delta = abs(epsilon./x0) %求相对误差
《来源于科技文献,经本人分析整理,以技术会友,广交天下朋友》