不看会后悔系列——灰色预测的建模应用

2336426014

& N$ s: u' D2 }5 W0 l
       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。
4 o: p6 n$ ]. r7 @9 e       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...
* Y- K& J3 ~4 a& b3 a3 f8 z        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。
' h& O" m: d3 l; t' V, L       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：
% l! k6 x  r9 u6 e! a3 G       （1）累加生成（AGO）         设原始数列为x(0)=(x0(1),x0(2),….x0(n))，令
! A* ]/ q; b1 i- \                                          

x(1)(k)=∑i=1kx(0)(i),k=1,2,...,n

( j# l8 ~: L; e6 }. m1 L- J                                                

x(1)=(x1(1),x1(2),….x1(n))

! N. U2 D( M  a
（2）建立微分方程模型                                                  

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

7 p; ?' p# F. [% R
: N6 _1 \% W6 x0 W0 p（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

  
（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

0 A, {! B! I3 E（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 j" ?7 a- R# ^0 ~4 t$ l" x. I" o     （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
+ b! l- n# R2 q& B/ a$ y+ T2. 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
& J+ J0 b0 ?1 F" w$ F4.计算方差比 C=S2/S1
5.求小误差概率 P
: f$ ]5 v/ i5 a  j- n! j0 z/ j6.精度检验表如下：

代码的话百度我也帮你们准备好了：
图片格式，自己抄去
) K7 Z7 q5 k" l8 E: B6 S0 E8 S% }
) B: |& L1 k9 Q
- c; f& F) }% d+ O# F! N

9 {$ L- s8 s2 J" U$ d2 Y
6 i2 c  j# K) a9 Q2 d2 }$ E

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
0 B, ^. ~* n! \: V

龙龙鲸鱼寜

谢谢楼主分享
4 K4 I6 E0 f3 u. |' ~1 F  t

ojbk

讲得好讲得好讲得好讲得好讲得好
$ q; ^6 l% y( j: m+ P3 g8 k

2463247347

谢谢分享

chendikang1

6666666666666
  w" j  e# w2 @  B6 F5 c. f; _