不看会后悔系列——灰色预测的建模应用

2336426014

       可以好不夸张的说灰色预测是所有新人爱用的，老生也爱用的，同时也是最基本的最简单的预测算法，原理简单的没话说。
! E7 K% J6 V% ~9 H       再说一下它的作用，虽然吧...这个东西原理很简单，但是耐不住人家适用范围广啊，效果虽然不是90%的准确率，但是59%的话差不多还是可以的。
        但是我还是觉得有必要说一下这个东西，帮助那些第一次用的时候注意一些细节问题，比如范围和结果分析别一顿还夸...
/ u, B! @" x1 r7 h, {  T        首先介绍一下灰色预测：
        灰色系统理论认为：系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。建立灰色预测模型之前，需要对原始时间序列进行数据处理，进过预处理的数据系列称为生成列。对原始数据进行预处理，不是寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列通过一定的方法处理，变成有规律的时间序列数据，即以数找数的规律，再建立动态模型。灰色系统常用的数据处理方式有累加和累减，通常我们用累加。
* y9 x' `6 z4 J. u* c; ?( ?       灰色预测通过鉴别系统因素之间发展趋势的相异性，对原始数据进行生成处理来寻求事物的未来发展趋势。诸多的灰色模型中，以单序列一阶线性微分方程模型GM（1，1）模型最为常用。下面简要的介绍一下：
       （1）累加生成（AGO）         设原始数列为x(0)=(x0(1),x0(2),….x0(n))，令
0 T+ g& L9 i; b5 x. w2 v                                          

x(1)(k)=∑i=1kx(0)(i),k=1,2,...,n

                                                

x(1)=(x1(1),x1(2),….x1(n))

* s. `! [! f( C  `& g: F（2）建立微分方程模型                                                  

dx(1)(t)dt+ax(1)(t)=b

（3）对累加生成数据做均值生成 B 与常数项 向量Y         （4）最小二乘法求解灰色参数   则令该参数为 c ,令k =t
               c

=[ab]=(BTB)−1BTY

  
8 q( T4 y2 B" q6 e# `! `（5）参数代入微分方程,解得                    

x^(1)(k+1)=(x(0)(1)−ua)e−ak+ua,k=1,2,...,n−1

（6）对函数表达式进行离散将二者做差来还原原序列
                           

x^(0)(k+1)=x^(1)(k+1)−x^(1)(k),k=1,2,...,n−1

            
     （7）对模型进行检验1.计算原序列与预测序列的残差 e 和相对误差 q
+ _/ [% Y0 ^) K7 \3 ^2 X2. 求原始序列的均值和方差S1
3.区域残差 e 的均值及方差S2
" f7 Q/ y! y+ `' `0 V: _8 S) Y" J4.计算方差比 C=S2/S1
# E4 e& Z4 ^- I5.求小误差概率 P
6.精度检验表如下：
! X5 f4 E3 U/ a! H) _

, ^5 |6 |' j' D- |

7 A( k0 ?0 G( r: D* I
代码的话百度我也帮你们准备好了：
. w9 h5 `( T& F$ C图片格式，自己抄去
  A% b7 b: n7 X7 \2 G
4 i4 N& a; ]( m( U. I
1 f( D/ n0 a' E; T2 W& m
+ R' B8 `% \9 G# C
! n( E( O/ R! }% @" B4 x

2336426014

公式那儿编辑的有点难受，主要是因为这个灰色预测也不难，就没太认真...大家能看懂T代表转置就行....下次我一定会完美编辑

龙龙鲸鱼寜

谢谢楼主分享
8 @1 `; ]9 o: ?
' }) v! Z. o. D/ S! k( i2 S

ojbk

讲得好讲得好讲得好讲得好讲得好
# \3 P# I' p) v" a0 [& L+ s3 [, U

2463247347

谢谢分享
; j, o: Z% V# V& c# y4 ]* O3 R0 j" J

chendikang1

6666666666666
/ t/ h: Z( s/ g