建模方法(十)-灰色预测模型GM(1,1)

**引言:**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。灰色预测模型对于不同问题采用不同模型,GM(1,1)模型主要解决生成序列是有指数变化规律,只能描述单调的变化过程。
**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。
**灰色生成:**将原始数据列中的数据,按照某种要求作数据处理称为灰色生成。对原始数据的生成就是企图从杂乱无章的现象中去发现内在规律。常用的生成方式有累加生成,累减生成,均值生成,级比生成等。
这里举个例子说明累加生成:
公式:
这里写图片描述
建模方法(十)-灰色预测模型GM(1,1)_第1张图片
我满可以看看生成前和生成后的区别:
建模方法(十)-灰色预测模型GM(1,1)_第2张图片
这样将非负序列转换为了递增数列。如果我们想把这个累加生成的数列变回去,使用如下方法:
建模方法(十)-灰色预测模型GM(1,1)_第3张图片
对于生成的数列,我们可以设想用一个指数曲线乃至一条直线来逼近这个生成的数列。于是我们构建一个一阶常微分方程来求解这个拟合曲线函数表达式。设:
建模方法(十)-灰色预测模型GM(1,1)_第4张图片
我们对上诉微分方程进行如下处理:

建模方法(十)-灰色预测模型GM(1,1)_第5张图片
其中我们设置了微分方程的初始条件即t=1这个时间点,它的值与原始数据列第一个取值一样,因为已知信息是离散值,所以我们的自变量t也为离散值所以可令t=k+1对式子进行化简。现在我们并不知道u和a的值,所以需要利用已有信息数据列对他们进行估计。
建模方法(十)-灰色预测模型GM(1,1)_第6张图片
这里是近视讨论肯定结果不那么精确。
建模方法(十)-灰色预测模型GM(1,1)_第7张图片
修正的X其实是一次累加生成再对其结果进行一次均值生成,公式:
这里写图片描述
建模方法(十)-灰色预测模型GM(1,1)_第8张图片
建模方法(十)-灰色预测模型GM(1,1)_第9张图片
最小二乘法的作用是计算未知数个数小于方程个数的情况下,未知数的使误差最小的取值,这里用于求u和a。从最后的结果可以看出,GM(1,1)只要针对指数变化且单调规律进行拟合,对于摆动序列就不行。

模型构建前检验:
建模方法(十)-灰色预测模型GM(1,1)_第10张图片
建模方法(十)-灰色预测模型GM(1,1)_第11张图片
其中的K=2,3…n。如果原始数据列不满足,需要对原始序列做必要的变换处理,使其落入可容覆盖内。即取适当的常数c ,作平移变换
建模方法(十)-灰色预测模型GM(1,1)_第12张图片
Θ为上述的区间范围。

得到模型后的精度检验
分为:
1.残差检验
2.后验差检验
3.关联度检验

这里仅介绍比较简单的残差检验:
建模方法(十)-灰色预测模型GM(1,1)_第13张图片
建模方法(十)-灰色预测模型GM(1,1)_第14张图片
我们让模型对原始数据列进行预测,与原始结果比较,看看拟合度怎么样。残差指的是预测值与实际值的差值,即绝对误差。

给出GM(1,1)建模步骤:
建模方法(十)-灰色预测模型GM(1,1)_第15张图片
(7.8)指的是最后的模型结果。

打赏博主

你可能感兴趣的:(数学建模)