不看会后悔系列——灰色预测的建模应用

2336426014

( i/ c: [3 c1 A% }
       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。
3 X5 w7 N# p: N0 j' e6 ~# o" T5 _       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。
; z1 j: o$ Y% K5 d0 [" M        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...
+ U4 y5 D( N: L/ 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。
       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：
( t3 g" I  k. P% _/ n+ Z       （1）累加生成（AGO）         设原始数列为x(0)=(x0(1),x0(2),….x0(n))，令
! K3 P( H% ]# }$ E5 S* j                                          

x(1)(k)=∑i=1kx(0)(i),k=1,2,...,n

                                                

x(1)=(x1(1),x1(2),….x1(n))

（2）建立微分方程模型                                                  

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

6 m* X" m/ I0 w2 `& w* l, W/ I（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

  
9 ?/ Z& e& c# K& _, _( L+ M  P7 a（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
, n1 ]2 A/ w5 E% m+ J                           

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

            
! N& W0 X, p" j* q# d* ^: C5 n# w     （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
1 E5 s5 Y1 B) d4 ]7 |, G, {3.区域残差 e 的均值及方差S2
4.计算方差比 C=S2/S1
5.求小误差概率 P
2 t( ^8 F% k+ p- r; Z3 t1 F6.精度检验表如下：
2 f) n8 s2 ~2 `/ h0 X+ @& r

0 ^- I4 I& H; i代码的话百度我也帮你们准备好了：
图片格式，自己抄去
4 ~% J5 ~: ]% n6 c; ]2 f/ Q0 D% b' ^& W

: @4 R$ Q; k0 ^/ ~7 y

chendikang1

6666666666666
! z  s3 `$ E+ G/ \

2463247347

谢谢分享

ojbk

讲得好讲得好讲得好讲得好讲得好
; k7 d. O& s, p% m! g6 }, i9 E

龙龙鲸鱼寜

谢谢楼主分享

# v* t9 U+ H1 ^0 N- G. x* w

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
1 P# w% n* N2 }3 c+ C; o6 Y