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。
6 [; s+ F- t/ ], p$ S" J* W几种灰色预测模型
( g4 Q) U7 t! ]' y% w1　GM（1，1）预测模型［1，2］
3 H; k' v, j& E2 Q7 X　　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，
; M7 J1 c/ g" t  I! B2 n% h* `0 ]…，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


5 R  i. g% Y0 P# c, W1 @: k' n式中　a、u为由最小二乘法确定的参数。
% b6 r. E7 F+ \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
. W  d, b5 X# W4 x0 X" y: g! o
2　指数加权法
+ P9 p+ O( G+ M! X9 Z　　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：
6 e: P. j5 Y' {2 S. x　　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）｝；
　　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）｝；
$ Z- Q9 l  N$ S) ]　　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。
　　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。
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。
3 s/ A2 Y0 U" A! ]$ J4　开n次方变换法
5 m1 d4 B! @5 ]2 M1 x　　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。
' _3 L- @  D) z, y6 h2 g2．5　灰色关联多因子预测模型［6～8］
# `* \9 [! n) @8 }6 F｛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　　　

  a) z" U, x! bX＾（1）（t）＝AX（1）（t）＋U　　（t≥0）（4）
  `3 ]+ G" B4 R其解为
6 t/ G- }/ d/ c* T- \- nX（1）（k）＝eA（k－1）（X（1）＋A－1U）－A－1U（5）


! f2 X9 n/ G1 s, L/ A, r% B还原解为
! r* x- [; m6 c: g# XX（0）（k）＝2eA（k－1）（I＋e－A）－1（I－e－A）B（6）
- D# R# w. n$ i7 J5 g式中　A、B为由最小二乘法确定的参数。

cherish19880105

很常用的预测方法·

civilstar

多谢多谢，了解了很多知识

bj0336

好东西，学习学习

huangjin

haohaohoa!

cew_enven

不错，学习了

yl_sadness

可以~~~学点东西了

Kadyniost

。。。。。。。。。。。。。。。。

minedoc

谢谢楼主了....

mikewang719

好东西，谢谢分享...