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：
8 ^/ Z8 C" |- K' Q: C9 m
### 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。
0 }) U9 m3 V% w9 s1 N+ d3 O/ {) @
  n( ^0 ~" J2 _  T, m$ X3 y### 2. 灰色预测模型 GM(1,1)
; h! A3 P* @% z6 s9 Z, k* O" f1 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：
) g0 |* ]3 {1 E$ v. g% Z- **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。

#### 数学模型
3 z6 V. i$ Q# ~. _6 F. B1 l
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 \(X(1)\)：
3 n( f: t' j. n# l* Q0 a% l
. v. M6 }- ^/ @% y7 K1 ^/ m& w9 Q5 o\[
X(1) = [x_0(0), x_0(0) + x_1(0), \ldots, \sum_{j=0}^{n-1} x_j(0)]
; `* ]+ a" m* k) {2 w2 L\]

4 Q& k6 F$ n; ~9 B% W8 A### 3. 公式推导

#### 3.1 数据矩阵与目标向量

4 H+ c& K* O$ v在代码中构建了数据矩阵 \(B\) 和目标向量 \(Y\)：
  H: O( a4 s3 ^% }( {
3 a$ C  e# d. R1 u. f, C6 }! g\[
B = \begin{bmatrix}
2 P1 c2 @, u4 a-0.5(X(1)[0] + X(1)[1]) & 1 \\
$ ~2 ]3 I8 l. W: v6 X6 P5 x-0.5(X(1)[1] + X(1)[2]) & 1 \\
: e+ w9 U4 C8 _2 S+ K+ q\vdots & \vdots \\
-0.5(X(1)[n-2] + X(1)[n-1]) & 1
\end{bmatrix}
\]
5 }4 N3 N- ^$ v. C$ X# Q\[
; s: H: C. j0 E  ~Y = \begin{bmatrix}
x_1(0) \\
x_2(0) \\
# R+ L4 o1 A2 A\vdots \\
8 Z4 C. |! |6 L3 H& _x_{n-1}(0)
5 l# q, [- p8 S0 Z* S5 a\end{bmatrix}
) z4 w  F- \1 M9 r+ J\]
7 m; X4 u" R- P! }9 r5 K3 J8 N5 R4 M
, W6 n7 l* h4 y3 ~, U- **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。
+ `; W5 q% ~4 O! j8 p! D
#### 3.2 最小二乘法

通过最小二乘法求解参数：

\[
& c2 L/ H3 @* ?+ x# [A = (B^TB)^{-1}B^TY
- Y( W* [4 r5 _/ T\]
2 c7 ^' R- n) Y" v% u
- 这里 \(A\) 包含了两个参数 \(a\) 和 \(u\)，即：
- t( ]3 T" P$ L1 P! f7 u. d  - \(a\)：表示数据的增长率
* j9 T5 P9 {; S  ?: K) P  - \(u\)：表示系统的外部干扰

6 W" `: t0 l) p& m" n% C### 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：
4 F$ K0 C3 ?5 A3 P& }$ G
: \  d; P" f( ?, k3 e- _" a6 ^\[
) m' M8 K9 ]- gx_{k+1}(1) = (x_0(0) - \frac{u}{a}) \cdot (1 - e^{-a(k)}) + \frac{u}{a}
\]
  D1 f0 ?  n, I
5 I2 _* P4 u, i+ F, D6 h3 @2 n- 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。
) k# T+ k/ F1 T+ I% p' y
) C' E, ]5 v- X# M: U4 j6 X8 e) h### 5. 模型精度检验
3 ]2 |% z9 ^; x  O9 h) ^1 y
0 ^% ]4 i0 S7 |9 X. d- **后验差比值 \(C\)**：
  \[
3 C$ r  b% T. j8 Y% y1 _; k  C = \frac{S_Y^2}{S_X^2}
0 o6 U1 ~+ t7 |. ~. L, F4 a  \]
  其中：
  - \(S_Y^2\)：残差方差
  - \(S_X^2\)：历史数据方差
" q% ]4 h& \1 M1 H
- **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 ~/ [: e& Y4 W$ b; t# h% D

2 e& i' Z" o) R. V$ S

$ C0 ^3 n, P' c0 ?  d- J