灰色预测模型代码_[建模教程] 不看会后悔系列——灰色预测的建模应用

 可以好不夸张的说灰色预测是所有新人爱用的，老生也爱用的，同时也是最基本的最简单的预测算法，原理简单的没话说。       再说一下它的作用，虽然吧...这个东西原理很简单，但是耐不住人家适用范围广啊，效果虽然不是90%的准确率，但是59%的话差不多还是可以的。        但是我还是觉得有必要说一下这个东西，帮助那些第一次用的时候注意一些细节问题，比如范围和结果分析别一顿还夸...:        首先介绍一下灰色预测：        灰色系统理论认为：系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。建立灰色预测模型之前，需要对原始时间序列进行数据处理，进过预处理的数据系列称为生成列。对原始数据进行预处理，不是寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列通过一定的方法处理，变成有规律的时间序列数据，即以数找数的规律，再建立动态模型。灰色系统常用的数据处理方式有累加和累减，通常我们用累加。       灰色预测通过鉴别系统因素之间发展趋势的相异性，对原始数据进行生成处理来寻求事物的未来发展趋势。诸多的灰色模型中，以单序列一阶线性微分方程模型GM(1，1)模型最为常用。下面简要的介绍一下：       (1)累加生成(AGO)         设原始数列为x(0)=(x0(1),x0(2),….x0(n))，令 ; 

x(1)(k)=∑i=1kx(0)(i),k=1,2,...,n

x(1)=(x1(1),x1(2),….x1(n))

(2)建立微分方程模型                                                  

dx(1)(t)dt+ax(1)(t)=b

(3)对累加生成数据做均值生成 B 与常数项 向量Y        (4)最小二乘法求解灰色参数    则令该参数为 c ,令k =t               c

=[ab]=(BTB)−1BTY

  + x9 W  d- h+ \6 g4 u2 K- i: N% T; C(5)参数代入微分方程,解得                    

x^(1)(k+1)=(x(0)(1)−ua)e−ak+ua,k=1,2,...,n−1

(6)对函数表达式进行离散将二者做差来还原原序列                             

x^(0)(k+1)=x^(1)(k+1)−x^(1)(k),k=1,2,...,n−1

                 (7)对模型进行检验1.计算原序列与预测序列的残差 e 和相对误差 q; 2. 求原始序列的均值和方差S15 M$ j$ q' W3 J/ E3 V6 ?3.区域残差 e 的均值及方差S2. M# ~: K% p; g; F8 o4.计算方差比 C=S2/S15.求小误差概率 P6.精度检验表如下：8 B0 Y. w% \* g1 V9 G3 C

/ v6 F! w$ Q; |; _% e  h% @6 y8 V* W; E5 j- ]

代码的话百度我也帮你们准备好了：图片格式，自己抄去% m! k" ^" c! ]