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。
8 S/ [* X0 q' K" U6 H7 X1 i4 l       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...
        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。
       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
$ T2 Z9 w! B& h' X                                          

x(1)(k)=∑i=1kx(0)(i),k=1,2,...,n

                                                

x(1)=(x1(1),x1(2),….x1(n))

. {- q% U  A2 l+ A. V. _（2）建立微分方程模型                                                  

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

# M' E9 @4 y& P9 |* ]

' u; [1 ]5 b1 j: D; d) _* F! k（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
' d! u% @- U0 b4 A$ G2 d- \1 Z/ m               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

（6）对函数表达式进行离散将二者做差来还原原序列
2 G. V5 W. T* |- t# {/ i                           

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

            
6 C4 m# D. L: ?. W9 Z/ Z- V0 Z     （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
2. 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
! m( [& i/ |5 K4.计算方差比 C=S2/S1
5.求小误差概率 P
6.精度检验表如下：
0 n* v8 x3 ^3 v0 F1 i$ J# i

! u5 U( Q; D, s0 \

0 I: N6 b& y  ^8 ^% I  p& E

代码的话百度我也帮你们准备好了：
图片格式，自己抄去

; z2 q5 D! l2 {6 W


2 Q! a% G4 A- w* a, m) ~
# `7 l4 s* ^* g* r4 E& c  {( B5 B

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
% R' e: [. l$ @

龙龙鲸鱼寜

谢谢楼主分享

2 V! }* ^/ S) M- j2 G! @

ojbk

讲得好讲得好讲得好讲得好讲得好
! `* l+ h& K8 I; J, T$ \

2463247347

谢谢分享

chendikang1

6666666666666