9灰色预测- 灰色模型GM(1,N)

灰色预测- 灰色模型GM(1,N)

   上篇博客说到了$GM(1,1)$，即只有单个变量，且模型是1阶的，此次我们来说说$GM(1,N)$,即 $1$ 阶的，包含有 $N$ 个变量的灰色模型。如果$GM(1,1)$弄明白了，那么$GM(1,N)$就简单了。

GM(1,N)模型

   类似地，定义$N$个变量的原始序列为：

$$x_i^{(0)}=(x_i^{(0)}(1),x_i^{(0)}(2),...,,x_i^{(0)}(n)),i=1,2,...,n\text{\hspace{1em}(1)}$$

   对应的一次累加序列$x_i^{(1)}$为：

$$x_i^{(1)}=(x_i^{(1)}(1),x_i^{(1)}(2),...,,x_i^{(1)}(n)),i=1,2,...,n\text{\hspace{1em}(2)}$$

   其中，

$$x_i^{(1)}=\sum _{j=\alpha }^k{x}_i^{(0)}(j),k=\alpha ,\alpha +1,...n\text{\hspace{1em}(3)}$$

   其中$\alpha \le n$，且为正整数,$(3)$式中，取$\alpha =1$,称为一般累加过程，记作$1-AGO$。定义$x_i^{(1)}(k)$的灰导数（实际上就是累减），为：

$$d_i(k)=x_i^{(0)}(k)=x_i^{(1)}(k)-x_i^{(1)}(k-1)\text{\hspace{1em}(4)}$$

   取$x_i^{(1)}$的等权重紧邻值，

$$z_i^{(1)}(k)=0.5x_i^{(1)}(k)+0.5x_i^{(1)}(k-1)，k=2,3,...,n\text{\hspace{1em}(5)}$$

   定义灰微分方程$GM(1,N)$：

$$d_1(k)+a{z}_1^{(1)}(k)=\sum _{i=2}^N{b}_i{x}_i^{(1)}(k),k=2,3,...,n\text{\hspace{1em}(6)}$$

   即：

$$x_1^{(0)}(k)+a{z}_1^{(1)}(k)=\sum _{i=2}^N{b}_i{x}_i^{(1)}(k),k=2,3,...,n\text{\hspace{1em}(7)}$$

   注意： 虽然我们在上面定义了$d_i(k)$,和$z_i^{(1)}$$(i=1,2,...,n)$,但是在灰微分方程中仅仅用到了$i=1$。
   同样地，将$k=2,3,...,n$的数据带入上面的$(8)$式,得到：

$$\{\begin{array}{c}{x}_1^{(0)}(2)+a{z}_1^{(1)}(2)={\sum }_{i=2}^N{b}_i{x}_i^{(1)}(2)\\ x_1^{(0)}(3)+a{z}_1^{(1)}(3)={\sum }_{i=2}^N{b}_i{x}_i^{(1)}(3)\\ ....\\ x_1^{(0)}(n)+a{z}_1^{(1)}(n)={\sum }_{i=2}^N{b}_i{x}_i^{(1)}(n)\end{array}\text{\hspace{1em}(8)}$$

   将上面写成矩阵的形式，令:

$$Y=(x_1^{(0)}(2),x_1^{(0)}(3),...,x_1^{(0)}(n){)}^T$$

$$B=\left(\begin{array}{cccc}-z_1^{(1)}(2)& x_2^{(1)}(2)& \dots & x_N^{(1)}(2)\\ -z_1^{(1)}(3)& x_2^{(1)}(3)& \dots & x_N^{(1)}(3)\\ ⋮& ⋮& ⋮& ⋮\\ -z_1^{(1)}(n)& x_2^{(1)}(n)& \dots & x_N^{(1)}(n)\end{array}\right)$$

$$u={\left(\begin{array}{ccccc}a& b_2& b_3& \dots & b_N\end{array}\right)}^T$$

   称$Y$为数据向量，$B$ 为数据矩阵，$u$ 为参数向量，则 $GM(1,N)$模型可以表示为矩阵方程:

$$Y=Bu\text{\hspace{1em}(9)}$$

   $(8)$式可以看出，参数个数为$N$个，方程个数$(n-1)$一般大于$N$，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：
$$\hat{u}={\left(\begin{array}{ccccc}\hat{a}& {\hat{b}}_2& {\hat{b}}_3& \dots & {\hat{b}}_N\end{array}\right)}^T=(B^{T}B{)}^{-1}{B}^{T}Y\text{\hspace{1em}(10)}$$

   需要注意的是，$(10)$式有解，必须满足$(B^{T}B)$是非奇异矩阵，否则，$(B^{T}B{)}^{-1}$就不存在。但注意到$\hat{u}$ 的元素实际上是各子因素对主因素影响大小的反映，因此，我们可以引入加权矩阵$W=diag(w_1,w_2,...,w_N)$，使对各因素的未来发展趋势进行调整控制。对于未来发展减弱趋势的因素赋予较大的权值，而对于未来增强趋势的因素赋予较小的权值，使之更好地反映未来的实际情况。此时，向量$\hat{u}$ 可以表示为：

$$\hat{u}={\left(\begin{array}{ccccc}\hat{a}& {\hat{b}}_2& {\hat{b}}_3& \dots & {\hat{b}}_N\end{array}\right)}^T=W^{-1}{B}^T(B{W}^{-1}{B}^T{)}^{-1}Y\text{\hspace{1em}(11)}$$

GM(1,N)的白化型

   对于 $GM(1,N)$的灰微分方程$(7)$，如果将$x_i^{(0)}(k)$ 的时刻 $k=2,3,...n$视为连续连续的变量 t ，则数列$x_i^{(1)}$就可以视为时间 $t$ 的函数，记为 $x_i^{(1)}=x_i^{(1)}(t),i=2,3,...N$ ，并让灰导数$x_1^{(0)}(k)$ 对应于导数 $\frac{d_1^{x(1)}}{dt}$，背景值 $z_1^{(1)}(k)$ 对应于 $x_1^{(1)}(t)$ 。于是得到 $GM(1,1)$的灰微分方程对应的白微分方程为($GM(1,N)$的白化型):

$$\frac{d_1^{x(1)}}{dt}+a{x}_1^{(1)}(t)=\sum _{i=2}^N{b}_i{x}_i^{(1)}(t)\text{\hspace{1em}(12)}$$

   需要注意的是，$GM(1,N)$的白化型并不是$GM(1,N)$的灰微分方程离散得到的，仅仅是一种类推。$GM(1,N)$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 $GM(1,N)$与真正的微分方程模型吻合较好，反之亦然。$GM(1,N)$的白化型为一阶 N 个变量的微分方程。

GM(1,N)预测

   通过将($GM(1,N)$的白化型方程离散，得到$x_1^{(1)}$的预测值${\hat{x}}_1^{(1)}$,$x_1^{(1)}$是由$x_1^{(0)}$累加得到的，因此可以通过累减${\hat{x}}_1^{(1)}$得到$x_1^{(0)}$的预测值${\hat{x}}_1^{(0)}$,即：

$${\hat{x}}_1^{(0)}(k+1)={\hat{x}}_1^{(1)}(k+1)-{\hat{x}}_1^{(1)}(k)\text{\hspace{1em}(13)}$$