8灰色预测- 灰色模型GM(1,1)

灰色预测- 灰色模型GM(1,1)

   首先说说$GM(1,1)$是什么?一般定义为，$GM(m,n)$为$m$阶，$n$个变量的微分方程。$GM(1,1)$那就好理解了。前一篇博客说到了生成数的原理，现在就开始介绍灰色预测理论中最基本的模型$GM(1,1)$。

GM(1,1)模型

   原始数列$x^{(0)}=(x^{(0)}(1),x^{(0)}(2),...,,x^{(0)}(n))$,累加得到的数列为$x^{(1)}=(x^{(1)}(1),x^{(1)}(2),...,,x^{(1)}(n))$，其中，
$$x^{(1)}(k)=\sum _{i=\alpha }^k{x}^{(0)}(i),k=\alpha ,\alpha +1,...n\text{\hspace{1em}(1)}$$
其中$\alpha \le n$，且为正整数，$(1)$式中，取$\alpha =1$,称为一般累加过程，记作$1-AGO$。定义$x^{(1)}$的灰导数（实际上就是累减），为：
$$d(k)=x^{(0)}(k)=x^{(1)}(k)-x^{(1)}(k-1)\text{\hspace{1em}(2)}$$
   取$x^{(1)}$的等权重紧邻值，
$$z^{(1)}(k)=0.5x^{(1)}(k)+0.5x^{(1)}(k-1)，k=2,3,...,n\text{\hspace{1em}(3)}$$

   定义灰微分方程$GM(1,1)$：
$$d(k)+a{z}^{(1)}(k)=b\text{\hspace{1em}(4)}$$
即：
$$x^{(0)}(k)+a{z}^{(1)}(k)=b\text{\hspace{1em}(5)}$$
其中 $x^{(0)}(k)$ 称为灰导数，a 称为发展系数，$z^{(1)}(k)$称为白化背景值，$b$ 称为灰作用量。将$k=2,3,...,n$的数据带入上面的$(4)$式,得到：
$$\{\begin{array}{c}{x}^{(0)}(2)+a{z}^{(1)}(2)=b\\ x^{(0)}(3)+a{z}^{(1)}(3)=b\\ ....\\ x^{(0)}(n)+a{z}^{(1)}(n)=b\end{array}\text{\hspace{1em}(6)}$$

   将上面写成矩阵的形式，令

$$Y=(x^{(0)}(2),x^{(0)}(3),...,x^{(0)}(n){)}^T$$

$$B=\left(\begin{array}{cc}-z^{(1)}(2)& 1\\ -z^{(1)}(3)& 1\\ ⋮& ⋮\\ -z^{(1)}(n)& 1\end{array}\right)$$

$$u={\left(\begin{array}{cc}a& b\end{array}\right)}^T$$

称$Y$为数据向量，$B$ 为数据矩阵，$u$ 为参数向量，则 $GM(1,1)$模型可以表示为矩阵方程$Y=Bu$ 。$(6)$式可以看出，参数个数为$2$个，方程个数大于$2$，因此利用最小二乘求解待解未知数$u$。最小二乘（使得$J(\hat{u})=(Y-B\hat{u}{)}^T(Y-B\hat{u})$最小）解为：
$$\hat{u}=(\hat{a},\hat{b})=(B^{T}B{)}^{-1}{B}^{T}Y\text{\hspace{1em}(7)}$$

GM(1,1)的白化型

   对于 $GM(1,1)$的灰微分方程$(5)$，如果将$x^{(0)}(k)$ 的时刻 $k=2,3,...n$视为连续连续的变量 t ，则数列$x^{(1)}$就可以视为时间 $t$ 的函数，记为 $x^{(1)}=x^{(1)}(t)$ ，并让灰导数$x^{(0)}(k)$ 对应于导数 $\frac{d{x}^{(1)}}{dt}$，背景值 $z^{(1)}(k)$ 对应于 $x^{(1)}(t)$ 。于是得到 $GM(1,1)$的灰微分方程对应的白微分方程为($GM(1,1)$的白化型):

$$\frac{d{x}^{(1)}}{dt}+a{x}^{(1)}=b\text{\hspace{1em}(8)}$$

   需要注意的是，$GM(1,1)$的白化型并不是$GM(1,1)$的灰微分方程离散得到的，仅仅是一种类推。$GM(1,1)$的白化型是一个真正的微分方程，如果白化型模型精度高，则表明所用数列建立的模型 $GM(1,1)$与真正的微分方程模型吻合较好，反之亦然。

GM(1,1)预测

   通过将($GM(1,1)$的白化型方程离散，得到$x^{(1)}$的预测值${\hat{x}}^{(1)}$：

$${\hat{x}}^{(1)}(k+1)=(x^{(0)}(1)-\frac{b}{a})e^{-ak}+\frac{b}{a}\text{\hspace{1em}(9)}$$

   $x^{(1)}$是由$x^{(0)}$累加得到的，因此可以通过累减${\hat{x}}^{(1)}$得到$x^{(0)}$的预测值${\hat{x}}^{(0)}$,即：

$${\hat{x}}^{(0)}(k+1)={\hat{x}}^{(1)}(k+1)-{\hat{x}}^{(1)}(k)\text{\hspace{1em}(10)}$$

   本次就说到这，接下来说对$GM(1,1)$模型的校验。