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：
5 o) C. b0 ~! Y+ T
  B' p( u, b, p; v### 1. 灰色系统理论
% ?# T4 u5 W7 q" E
8 E0 t4 c0 w6 G! S- **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)
. b. w+ }, p6 _! F8 x/ p! r0 K; L
  t6 w& }$ J4 d% \1 PGM(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。

6 I* N2 }' a: ?0 B' ^# O5 P#### 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 \(X(1)\)：

- H8 a  @; c0 C0 y. R* c\[
X(1) = [x_0(0), x_0(0) + x_1(0), \ldots, \sum_{j=0}^{n-1} x_j(0)]
\]

  E# f, k3 B, J### 3. 公式推导

#### 3.1 数据矩阵与目标向量
" z! D1 q' t7 l- t+ @& M) r
/ }2 G, |% u7 ?4 q在代码中构建了数据矩阵 \(B\) 和目标向量 \(Y\)：
- F1 c- }% @' z3 \& s
\[
3 [7 f8 L% p$ F7 v* YB = \begin{bmatrix}
: J+ w' O: c2 K' N* H. ^6 C( _-0.5(X(1)[0] + X(1)[1]) & 1 \\
-0.5(X(1)[1] + X(1)[2]) & 1 \\
' s% Z7 m# v; f7 P% x\vdots & \vdots \\
- L$ z* B- r, ?9 b9 V1 Z/ x-0.5(X(1)[n-2] + X(1)[n-1]) & 1
5 `; H5 s( p4 N+ B. Q' I  q3 _( B. }0 `\end{bmatrix}
- A/ M4 \8 Z8 |  d, t" v\]
: B. u+ U( W3 \+ m\[
Y = \begin{bmatrix}
x_1(0) \\
) T% `/ M. v$ _1 q- Hx_2(0) \\
/ y# F  l4 B" o* d4 b9 O* w\vdots \\
9 ]; \/ \; L0 G2 k6 {& k' g7 Ex_{n-1}(0)
\end{bmatrix}
1 e5 `* v( J9 J\]
% A+ m. }/ l- _, m& v4 v/ i
, u' \: J4 {1 |% y- **参数识别**：
# W3 w8 v* I& N/ x7 X% M. r$ D# }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。
0 y# V% A; @0 U# j
9 Y" ]/ B$ _9 o  C#### 3.2 最小二乘法
: W" S9 }9 W5 N1 v* q/ H& r
通过最小二乘法求解参数：

\[
A = (B^TB)^{-1}B^TY
* t0 @% q4 t& m- g; q( B\]
7 j( Z) a8 k. T6 J' g  {
- 这里 \(A\) 包含了两个参数 \(a\) 和 \(u\)，即：
# o7 s: k% u9 o3 d' S  - \(a\)：表示数据的增长率
" i  I6 l% f0 |1 c2 O  - \(u\)：表示系统的外部干扰

### 4. 灰色预测
9 f2 z7 v9 R! \1 h0 O8 S3 n' U
, n9 Q) p; a* K! H通过得到的参数 \(a\) 和 \(u\)，利用以下公式更新预测值：
4 r- U, n) g7 K9 e$ S
8 k) h6 u% n1 b0 ~% I\[
& {. b2 f( F3 n, Ox_{k+1}(1) = (x_0(0) - \frac{u}{a}) \cdot (1 - e^{-a(k)}) + \frac{u}{a}
# g1 N+ E8 ~7 V6 X\]
+ Y2 R* @) I; P3 j$ ^8 R$ o
- 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 b) |( Q$ c; h
### 5. 模型精度检验
, T- d- z& O- @1 w5 }4 W
3 J- ^& g( s! ]$ E+ v- **后验差比值 \(C\)**：
) \) `+ G: h% G2 m( W: E3 k  \[
  C = \frac{S_Y^2}{S_X^2}
  \]
/ U% A  E6 t, `3 X" ]  其中：
  - \(S_Y^2\)：残差方差
  - \(S_X^2\)：历史数据方差
6 ^% b9 `# k8 c' U7 c2 j
- **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。


: A/ y' d' T! d: `2 @. P# A( r# f


9 U0 E+ U/ J" o! s$ @3 `* Y