灰色预测

残垣寒梅

灰色预测常用的是GM（1，1）模型，该模型存在一定的缺陷，修正起来比较麻烦，另外GM（1，1）模型是一种呈指数增长的模型，其预测精度受到原始数据序列光滑离散性的限制，当原始数据序列不够光滑离散时，利用GM（1，1）模型所建立的系统预测模型精度就很差。提高GM（1，1）模型预测精度的方法较多，其中主要是对原始数据序列进行变换，增加离散数据光滑度后再进行预测。常用的改进方法有：指数加权方法、对数变换方法和开n次方变换方法。从预测结果的相对误差来看，对数变换的预测结果为最好，开平方变换的预测结果次之，指数加权变换方法较差。
几种灰色预测模型
! e5 N5 ?# J5 ^, R0 `1 ?1　GM（1，1）预测模型［1，2］
　　GM（1，1）模型是对原始数据序列作一次累加生成，使生成序列呈一定规律，并用典型曲线拟合，建立其数学模型。
　　对已知原始数据序列X（0）＝｛X（0）i｝（i＝1，2，
…，n），首先进行一阶累加生成新序数列X（1）然后按新序数列中数据间的变化规律对X（1）建立白化形式的微分方程
# s* l) q3 A9 j1 \8 d4 D

式中　a、u为由最小二乘法确定的参数。
对X（1）（k）进行逆累加生成还原，可得到X（0）（k）预测值，即为GM（1，1）预测模型
9 E/ r: l! i' F. u! g: f9 }
+ g3 N8 J/ K! G# l3 S( z6 D2　指数加权法
　　用指数加权方法改造原始数据序列，然后对新生成的数据序列用GM（1，1）模型预测，最后把预测数据序列还原。具体预测步骤如下：
　　①对原始序列｛X（0）（t）｝按公式Y（0）（t）＝αX（0）（t）＋（1－α）Y（0）（t－1）（t＝1，2，…，N）生成新序列｛Y（0）（t）｝；
$ m) t& k" l. _  E5 v　　②对新序列｛Y（0）（t）｝应用GM（1，1）模型进行预测，得预测序列｛Y（0）（t）｝；
　　③再按公式X（0）（t）＝［Y（0）（t）－（1－α）Y（0）（t－1）］／β（t＝1，2，…，N，N＋1，…，N＋L）将序列｛Y（0）（t）｝还原成序列｛X（0）（t）｝；
　　④在上述计算中，根据需要，可以调整α、β的值，以控制预测结果和精度。当α＝β＝1时，即为原GM（1，1）模型。
; C, _/ j4 @0 J; i　　指数加权方法的主要优点是，可以通过调整参数α、β的值来提高预测精度。
# h! }* J, C. m9 }3　对数变换法
　　若原数据序列｛X（0）（k）｝（k＝1，2，…，）为不光滑离散数据序列，则对｛X（0）（k）｝进行对数变换可得到｛lnX（0）（k）｝，这样往往能提高数据序列的光滑度，因而可以用GM（1，1）模型对｛lnX（0）（k）｝进行预测，最后通过exp｛lnX（0）（k）｝还原。通过这种方法，可拓广灰色系统预测的范围，提高了预测精度。
4　开n次方变换法
! D% H2 z4 t( h　　主要思想是对｛X（0）（k）｝开n次方变换得到数列｛X（0）（k）1／n｝，对变换后的数列建立GM（1，1）模型，最后通过对预测值求n次幂还原。
2．5　灰色关联多因子预测模型［6～8］
7 g: y& t+ `+ f  @. X( f2 B+ B｛X（0）i（k）｝（k＝1，2，…，n；i＝1，2，…，h）代表原始数据序列，相应有均值时序和均值累加生成时序。均值时序若与非齐次离散指数函数满意趋势关联，则关联多因子预测模型为　　　
+ ~- P& g" @3 ?+ k+ X
0 j; X& {: {% T' |  GX＾（1）（t）＝AX（1）（t）＋U　　（t≥0）（4）
其解为
X（1）（k）＝eA（k－1）（X（1）＋A－1U）－A－1U（5）
5 G& Z+ U! k5 r! o8 {# o  b

) }0 d9 j  d- g还原解为
X（0）（k）＝2eA（k－1）（I＋e－A）－1（I－e－A）B（6）
) O2 M( g, e4 D- |- C6 `式中　A、B为由最小二乘法确定的参数。

joycezhou

最直接的预测方法

ldpanther

学习 学习  。。。多谢

芥蕾

好像有点乱，不过很有帮助，O(∩_∩)O谢谢

tulian.2010

我现在正在到处找关于灰色预测的资料！！！！！！！！！！！！！！！！！！！！！

bandarilord

支持支持6ff

tiancai1234

没看明白。很好

zhanghongxia_80

好东西大家分享，谢谢
! k9 }6 ?$ S5 R& N/ l7 A; B* e

wangduzhao

回复 1# 残垣寒梅
" s8 D! t/ r/ U6 N
. ?* [( R) c: ?好东西
    好东西

lianxiang9

好东西，谢谢分享...????????????