基于粒子群优化的灰色预测方法（Matlab）——附代码

目录

摘要：

研究背景：

GM（1，1）模型

基于PSO的灰色预测算法

运行结果：

本文Matlab代码分享 

---

摘要：

本文对灰色预测算法进行了研究。在GM（1，1）模型中，发展系数a和灰色作用量u是两个关键的参数，对系统的性能有较大的影响。传统的方法使用最小二乘法来求解，不仅计算复杂，而且预测结果的误差也较大。论文对此进行了研究，并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM（1，1）模型，但在求解相关参数时，PSOGP使用了粒子群优化算法。仿真试验表明，与经典的GM（1，1）模型相比，PSOGP算法的预测精度得到了较大的提高。

研究背景：

灰色预测法是一种对含有不确定因素的系统进行预测的方法，它属于时间序列分析方法的一种。灰色预测法的基本思想是：系统的时间序列数据中蕴含着系统演化的信息，所以对已有的数据进行研究，可以找出其蕴含的规律，并进而推知系统未来的发展动态。由于计算简单，所需先验知识不多，因此自诞生以来，灰色预测法在网络流量规划、电信话务量预测、灾害预警等领域均得到了广泛的应用，并发挥出越来越大的影响力。

灰色预测法的研究对象是灰色系统，所谓灰色系统是指同时包含已知信息和未知信息的系统。灰色预测法通过对灰色系统进行建模工作，能够有效地挖掘出系统输出数据的内在规律，从而为理解和预测系统的状态提供帮助。在灰色预测法中，GM(1,1)模型是目前应用最多的灰色模型。但是，随着GM(1,1)模型的应用推广，其缺陷也逐渐显露出来。灰色预测算法的精度不高，结果相对粗糙。很多学者对其进行了研究，并提出了不少改进的方案。刘树等人对灰色预测GM(1,1)模型和GM(1,1)残差模型问题进行了较多的分析。

本文也对此进行了研究。我们认为，GM(1,1)模型中发展系数与灰色作用量的值较为关键，对预测的结果会有较大的影响。传统方法一般使用最小二乘法来求解，误差较大，不够精确。本文对其进行了改进，使用粒子群优化（ParticleSwarmOptimization，PSO）算法来求解GM(1,1)的参数，并在此基础之上提出了基于PSO的灰色预测算法（aPSObasedGreyPredictionalgorithm，PSOGP）。仿真试验表明，PSOGP的预测精度比GM(1,1)模型要高。

GM（1，1）模型

GM(1,1)是使用最为广泛的一种灰色模型。其主要过程是，首先对原始数据进行累加，得到具有一定规律性的新序列，对该序列使用一些曲线来逼近，得到了逼近曲线之后，将其作为预测模型，对系统进行预测。

对得到的结果进行一次累减还原操作，可到一个数据序列X={X(1),X(2),X(3),…}，这个序列的前 n 项是对原始序列的 拟合值，后面的数据则是对系统的预测值。

基于PSO的灰色预测算法

PSO 属于群智能算法，它是 Russell 与 James 受鸟群觅食 启发所提出的一种演化算法。PSO 算法的主要思路是将待求 解问题转化为一个在多维空间中寻找最优位置的问题，其求 解过程就是使用一群微粒在这个空间中寻找代表最优解的最佳位置。在求解过程中，粒子之间可以相互交流信息，从而调 整自己的搜索方向与前进速度。

运行结果：

本文Matlab代码分享