数学建模算法与应用：预测模型（2）灰色预测模型

Bitter tea seeds

已于 2022-06-30 12:16:45 修改

阅读量2.9k

点赞数 5

分类专栏： MATLAB数学建模算法与应用文章标签：大数据算法

于 2022-06-30 12:09:33 首次发布

本文链接：https://blog.csdn.net/weixin_69250798/article/details/125536539

版权

MATLAB数学建模算法与应用专栏收录该内容

17 篇文章 37 订阅

订阅专栏

(1）级比检验：建立交通噪声平均声级数据时间序列如下：

(2)GM(1，1)建模

(3)模型检验

4.MATLAB模型程序

前言

灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列。其核心体系是灰色模型（ Grey Model ，简称 GM )，即对原始数据作累加生成（或其它方法生成）得到近似的指数规律再进行建模的方法。优点是不需要很多的数据，一般只需要4个数据就够，能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分挖掘系统的本质，精度高；

能将无规律的原始数据进行生成得到规律性较强的生成序列，运算简便，易于检验，具有不考虑分布规律，不考虑变化趋势。缺点是只适用于中短期的预测，只适合指数增长的预测。

GM（1，1）预测模型

GM（1，1）表示模型是一阶微分方程，且只含1个变量的灰色模型。

1.GM（1，1）模型预测方法

定义1：已知参考数据列： $x^{(0)}=(x^{(0)}(1),x^{(0)}(2),...,x^{(0)}(n))$ ，一次累加生成序列(1-AGO)

$x^{(1)}=(x^{(1)}(1),x^{(1)}(2),...,x^{(1)}(n))=(x^{(0)}(1),x^{(0)}(1)+x^{(0)}(2),...,x^{(0)}(1)+...+x^{(0)}(n))$

2.GM(1，1)模型预测步骤

（1）数据的检验与处理

（2）建立模型

（3）检验预测值

3.GM（1，1）模型预测实例

(1）级比检验：建立交通噪声平均声级数据时间序列如下：

$x^{0}=(x^{0}(1),x^{0}(2),...,x^{0}(7))=(71.1,72.4,72.4,72.1,71.4,72.0,71.6)$

(2)GM(1，1)建模

1）对原始数列 $x^{(0)}$ 作一次累加，得 $x^{(1)}=(71.1,143.5,215.9,288,359.4,431.4,503)$

5）求生成序列预测值 $\widehat{x}^{(1)}(k+1)$ 及模型还原值 $\widehat{x}^{(0)}(k+1)$ ，令k=1,2,3,4,5,6;

由式（15.7）的时间响应函数可计算得 $\widehat{x}^{(1)}$ ，其中取 $\widehat{x}^{(1)}(1)=\widehat{x}^{(0)}(1)=x^{(0)}(1)=71.1$ ,

由 $\widehat{x}^{(0)}(k+1)=\widehat{x}^{(1)}(k+1)-\widehat{x}^{(1)}(k)$ ，取k=1,2,3,4,5,6,得

$\widehat{x}^{(0)}=(\widehat{x}^{(0)}(1),\widehat{x}^{(0)}(2),...,\widehat{x}^{(0)}(7))=(71.1,72.4,72.2,72.1,71.9,71.7,71.6)$

(3)模型检验

经验证，该模型的精度较高，可以进行预测和预报。

4.MATLAB模型程序

代码如下，所示：

x0=[71.1 72.4 72.4 72.1 71.4 72.0 71.6]'; %注意这里为列向量
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)  %累加运算
B=[-0.5*(x1(1:n-1)+x1(2:n)),ones(n-1,1)];
Y=x0(2:n);
u=B\Y  %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)); %求微分方程的符号解
xt=vpa(x,6) %以小数格式显示微分方程的解
yuce1=subs(x,t,[0:n-1]); %求已知数据的预测值
yuce1=double(yuce1); %符号数转换成数值类型，否则无法作差分运算
yuce=[x0(1),diff(yuce1)]  %差分运算，还原数据
epsilon=x0'-yuce    %计算残差
delta=abs(epsilon./x0')  %计算相对误差
rho=1-(1-0.5*u(1))/(1+0.5*u(1))*lamda'  %计算级比偏差值，u(1)=a

结果：


lamda =

     711/724   
       1       
     724/721   
     103/102   
     119/120   
     180/179   


range =

     711/724        103/102   


x1 =

     711/10    
     287/2     
    2159/10    
     288       
    1797/5     
    2157/5     
     503       


u =

      50/21333 
   15476/213   

 
xt =
 
31000.0 - 30928.9*exp(-0.00234379*t)
 

yuce =

  1 至 5 列

     711/10        4996/69        9174/127      10738/149       9203/128   

  6 至 7 列

    4519/63       13239/185   


epsilon =

  1 至 5 列

       0            -29/5051      1523/9300       121/3681      -472/947   

  6 至 7 列

     790/2927        89/2353  


delta =

  1 至 5 列

       0             13/163931      89/39347       18/39481       67/9598  

  6 至 7 列

      17/4535        41/77612 


rho =

  1 至 5 列

      62/3061        25/10679      -11/6077       -61/8199       171/16049 

  6 列

     -36/11137 

>>

Bitter tea seeds

关注

5
点赞
踩
44

收藏

觉得还不错? 一键收藏
打赏
1
评论
数学建模算法与应用：预测模型（2）灰色预测模型

灰色预测的主要特点是模型使用的不是原始数据序列，而是生成的数据序列。其核心体系是灰色模型（ Grey Model ，简称 GM )，即对原始数据作累加生成（或其它方法生成）得到近似的指数规律再进行建模的方法。优点是不需要很多的数据，一般只需要4个数据就够，能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分挖掘系统的本质，精度高；............
复制链接

扫一扫