灰色预测模型Python代码

2744557306

[color=rgba(6, 8, 31, 0.88)]实现了一个灰色预测模型（GM(1,1)），用于对历史数据进行预测。灰色系统理论是处理不确定性和小样本数据的一种方法，GM(1,1)模型是最常用的灰色预测模型之一。
上面的代码实现了一个灰色预测模型（GM(1,1)），它基于灰色系统理论，主要用于处理小样本和不完全信息的问题。以下是代码中涉及的主要数学原理的详细解释：
+ m5 `" b' z4 X6 {
### 1. 灰色系统理论

- **灰色系统**：灰色系统是由邓小平于1980年代提出的，目的是为了处理信息不完全的系统。与传统方法不同，灰色系统基于已经存在的信息和系统的动态，结合不完全的信息进行预测和决策。

### 2. 灰色预测模型 GM(1,1)
: W2 L3 Q- a, L; X) x6 F
GM(1,1)模型是最简单的灰色模型，表示“灰色”与“预测”的结合，具体表示如下：
- **GM(1,1)**中的“1”指的是模型中考虑的变量个数（自变量和因变量各1个），而另一个“1”则表示其是一个微分方程。
3 ?$ Q) g8 j1 F  O+ B
#### 数学模型

将需要预测的变量表示为 \(X(0) = [x_0(0), x_1(0), \ldots, x_{n-1}(0)]\)，然后构造其累加生成序列 \(X(1)\)：

\[
1 P6 b; c# {$ ~( E" K! G' `X(1) = [x_0(0), x_0(0) + x_1(0), \ldots, \sum_{j=0}^{n-1} x_j(0)]
\]

* P  w5 B9 I( d5 |# {+ _### 3. 公式推导
6 M  {( m, W2 ~1 A
#### 3.1 数据矩阵与目标向量

7 M: f: v1 y/ \7 W1 J" l9 W0 v' v在代码中构建了数据矩阵 \(B\) 和目标向量 \(Y\)：

\[
B = \begin{bmatrix}
  P. u6 ^4 m0 S-0.5(X(1)[0] + X(1)[1]) & 1 \\
+ V! ^4 y4 I# ~! V-0.5(X(1)[1] + X(1)[2]) & 1 \\
- h, C: u" p6 Z/ Y  w" B- K* g\vdots & \vdots \\
-0.5(X(1)[n-2] + X(1)[n-1]) & 1
+ b# s1 s; G+ O% @+ r\end{bmatrix}
! O' V" @' q% S2 w2 I1 V+ W  L\]
: ?# ?# c; k7 U# y7 f$ ^\[
5 i! S& C  _8 B! y  Q( {Y = \begin{bmatrix}
x_1(0) \\
x_2(0) \\
\vdots \\
1 X& ]8 |) Q: n) _, ^/ Sx_{n-1}(0)
0 J% w. n# |7 \, R7 u& j) |2 M\end{bmatrix}
/ ^$ V! w8 ~. ^$ F  v. d\]
4 _1 S5 y; U# K% H4 F( G, t+ \( ?
+ }# X! d9 ?3 M0 A  M" p/ J- **参数识别**：
将微分方程形式 \(-\frac{dx(t)}{dt} - ax(t) = u\) 转换为矩阵形式进行求解。
1 u, X" Z3 A* i' S) R$ \) e  s
7 V  q7 @( X+ S+ r8 g. a#### 3.2 最小二乘法

/ {0 P" o! ]% f1 v5 H通过最小二乘法求解参数：

5 u' X! Y+ l* R% J+ E\[
1 W/ P% l6 z+ b, X, k. f2 E1 YA = (B^TB)^{-1}B^TY
\]

. L( Y. v: A* x4 K8 M- 这里 \(A\) 包含了两个参数 \(a\) 和 \(u\)，即：
  y' S( D- M4 ]9 b- H" J3 ]  - \(a\)：表示数据的增长率
7 q8 N7 T$ w- i* ^' r( S  - \(u\)：表示系统的外部干扰
0 t% Y# K7 L/ L) l7 e; f# f
### 4. 灰色预测

通过得到的参数 \(a\) 和 \(u\)，利用以下公式更新预测值：

\[
x_{k+1}(1) = (x_0(0) - \frac{u}{a}) \cdot (1 - e^{-a(k)}) + \frac{u}{a}
0 |; z: g" Y( R' {5 C$ b! g' ~\]
8 T1 _/ O2 z3 f7 c9 j
6 k9 g/ z6 T' Q1 Y- 这里的预测值能够捕捉到数据的趋势，并在此基础上进行外推。

### 5. 模型精度检验
- q4 K" P" ^0 `! D5 d2 o! L7 C
- ^2 e' X% M1 r: R. b  @' g( H- **后验差比值 \(C\)**：
  \[
6 |9 A' _0 p0 h9 I: |: y% V. O0 A$ A) A- T  w  C = \frac{S_Y^2}{S_X^2}
/ @5 f2 v2 C1 I$ F1 _! I% A  \]
2 s  w0 D. z- U( Q% @  L" `  J6 L  其中：
7 I. A* w* J7 N# L. B! ~  v! l  - \(S_Y^2\)：残差方差
) p& g1 |2 l3 h$ b. ~1 H  - \(S_X^2\)：历史数据方差
* u- c* Y4 V+ c
$ N) x" X& H. Q- **小误差概率 \(P\)**：通过检查绝对误差落在合理范围内的比例来评估模型的精度。若概率 \(P\) 大于 0.95，则认为预测效果良好。
7 @' [+ Y) }7 p0 I& G
3 \9 r. g: J. t6 H. B. c* @


8 |* N( R; D# T6 l0 ~* L
* g4 G7 g9 Z- G: ^