11灰色预测- Verhulst 模型

灰色预测- Verhulst 模型

   前两篇博客说到了$G(1,1)$，和$G(1,N)$，通过已有的数据，建立对应的模型，可以实现对未来数据的预测。模型可行的前提是所有的级比${\lambda }^{(0)}(k)$均落在$(e^{-\frac{2}{n+1}},e^{\frac{2}{n+1}})$。对于非单调的摆动发展序列或具有饱和状态的 $S$ 形序列，$Verhulst$ 模型，$GM(2,1)$模型等更适用。那么什么是$Verhulst$ 模型呢？和$G(1,1)$，$G(1,N)$又有什么区别呢？

Verhulst 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，
$$x^{(1)}=\sum _{i=\alpha }^k{x}^{(0)}(i),k=\alpha ,\alpha +1,...n\text{\hspace{1em}(1)}$$
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：
$$d(k)=x^{(0)}=x^{(1)}(k)-x^{(1)}(k-1)\text{\hspace{1em}(2)}$$
   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$Verhulst$ 模型：
$$d(k)+a{z}^{(1)}(k)=b(z^{(1)}(k){)}^2\text{\hspace{1em}(4)}$$
即：
$$x^{(0)}(k)+a{z}^{(1)}(k)=b(z^{(1)}(k){)}^2\text{\hspace{1em}(5)}$$
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：
$$\{\begin{array}{c}{x}^{(0)}(2)+a{z}^{(1)}(2)=b(z^{(1)}(2){)}^2\\ x^{(0)}(3)+a{z}^{(1)}(3)=b(z^{(1)}(3){)}^2\\ ....\\ x^{(0)}(n)+a{z}^{(1)}(n)=b(z^{(1)}(n){)}^2\end{array}\text{\hspace{1em}(6)}$$

   将上面写成矩阵的形式，令

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

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

$$u={\left(\begin{array}{cc}a& b\end{array}\right)}^T$$
称$Y$为数据向量，$B$ 为数据矩阵，$u$ 为参数向量，则$Verhulst$ 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：
$$\hat{u}=(\hat{a},\hat{b})=(B^{T}B{)}^{-1}{B}^{T}Y\text{\hspace{1em}(7)}$$

Verhulst的白化型

   对于 $Verhulst$ 模型的灰微分方程$(5)$，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 $Verhulst$ 模型的灰微分方程对应的白微分方程为($Verhulst$ 模型的白化型):

$$\frac{d^{x(1)}}{dt}+a{x}^{(1)}=b(x^{(1)}{)}^2\text{\hspace{1em}(8)}$$

   需要注意的是，$Verhulst$ 模型的白化型并不是$Verhulst$ 模型的灰微分方程离散得到的，仅仅是一种类推。$Verhulst$ 模型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 $Verhulst$ 模型与真正的微分方程模型吻合较好，反之亦然。

Verhulst预测

   式$8$白化方程的解为：

$$x^{(1)}(t)=\frac{a{x}^{(1)}(1)}{b{x}^{(1)}(1)+(a-b{x}^{(1)}(1))e^{at}}\text{\hspace{1em}(9)}$$

   则灰色方程对应的解可以得到，即得到$x^{(1)}$的预测值${\hat{x}}^{(1)}$：

$${\hat{x}}^{(1)}(k+1)=\frac{a{x}^{(1)}(1)}{b{x}^{(1)}(1)+(a-b{x}^{(1)}(1))e^{ak}}\text{\hspace{1em}(10)}$$

   $x^{(1)}$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：

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

   可以发现，$Verhulst$ 模型和$G(1,N)$的模型区别在于构建的灰色模型不同，$Verhulst$ 模型构建了对$x$的二次项，因此，$Verhulst$ 模型适用于于非单调的摆动发展序列或具有饱和状态的 $S$形序列。
   在实际问题中，如果原始数据本身呈 $S$ 形的过程，这时，可取原始数据为 $x^{(1)}$ ，其一次累减生成$（1—IAGO）$为 $x^{(0)}$ ，建立 $Verhulst$ 模型，直接对 $x^{(1)}$ 进行预测。