GM(1,1)模型的优化及应用燕列雅刘苗（西安建筑科技大学理.docVIP

GM(1,1)模型的优化及应用 燕列雅 刘苗 （ 西安建筑科技大学理学院 陕西 西安 710055 ） 摘要：通过对传统GM(1,1)模型背景值的优化，使GM(1,1)模型的预测精度显著提高。为了进一步提高灰色模型的预测精度，本文对一次拟合的结果进行残差分析，并改进了传统的残差模型。通过实例对比证实了新模型的有效性。 关键字: GM(1,1)模型；背景值 ；残差模型 中图分类号：N941.5 1 引言 GM(1,1)模型是灰色系统理论的基础与核心，它被广泛应用于工业、农业、社会经济等领域。它将系统看成一个随时间变化而变化的指数函数，不需要大量的时间序列数据就能建立预测模型。近年来，不少学者研究发现了诸多局限性并做了改进，取得较好的效果。文献[4]从背景值的几何意义出发，提出优化的GM(1,1)模型，提高了模型的精度。文献[5]用齐次指数函数拟合一次累加生成序列，从而优化背景值，提高了精度。 本文在文献[4-5]对背景值优化的基础上，进一步进行了残差修正，并优化了残差GM(1,1)模型。通过数据比较表明本文优化后的模型预测精度更高，具有较高的应用价值。 2 GM(1,1)模型背景值的优化 2.1 原GM(1,1)模型的建立 设非负的原始序列，的一次累加生成序列，其中， (1) 构造背景值序列，其中， (2) 若为GM(1,1)模型的参数列， 则GM(1,1)模型参数的最小二乘估计为 (3) 定义GM(1,1)的白话方程为 (4) 则的预测值为 (5) 的预测值为 2.2 背景值的优化 在区间[k,k+1]上对白话方程两边积分，有 设当为在区间[k,k+1]上的背景值时，则有 此处的背景值即为在区间[k,k+1]上的定积分。 令，假设此曲线过点，，那么有 (6) (7) 由（6）、（7）得 优化后的背景值为 (8) 用背景值式（8）替代式（2），再由公式（1）、（3）、（4）、（5）建模并对新的模型进行拟合和预测。 3 残差GM(1,1)模型的优化 对背景值优化后得到一组预测序列，原始序列与预测数之差，则残差序列，其一次累加序列为。 为在区间[k,k+1]上的背景值，当序列为低指数增长序列时，式(5)较适合，模型偏差较小。但当序列为高指数增长序列时，式(5)会产生较大滞后误差，从而导致精度不够高。 现令 (9) 显然，其中 （N为序列长度）， （i=2,3,…N） 然后建立残差GM(1,1)模型。 其残差修正值 优化后的预测值 其中的符号与原残差序列符号一致。 4 实例 原始数据序列，这是一个高指数增长序列，优化后的残差模型的背景值计算公式为 预测值为 记文献[4]优化的GM(1,1)模型为优化模型1，本文改进的模型为优化模型2，与原GM(1,1)模型的预测值和相对残差作比较，见表1。 表1 计算结果比较 序号 原GM(1,1)模型 优化模型1 优化模型2 预测值 相对残差% 预测值 相对残差% 预测值 相对残差% 1 2.7180 0.000 2.7180 0.0000 2.7180 0.000 2 6.5385 11.511 7.6540 3.5859 7.2375 2.0501 3 16.476 17.971 20.805 3.5793 19.6828 2.0071 4 41.519 23.955 56.552 3.5781 53.5284 1.9590 5 104.62 29.504 153.72 3.5763 145.573 1.9112 6 263.64 34.650 417.83 3.5701 395.8781 1.8719 7 664.35 39.411 1135.7 3.5699 1076.5513 1.8283 最大相对残差% 39.417 3.5793 2.0501 平均残差% 22.430 3.0654 1.6611 精度% 77.570 96.935 98.3389 结果表明，由于原始序列及其残差序列是高指数增长序列，数据变化急剧，因此用原GM(1,1)模型预测结果误差很大，本文提出的模型精度明显优于文献[4]。 结论 本文在原模型优化背景值的基础上，进一步对残差模型进行优化，通过实例比较表明其能有效地提高预测精度。 当残差中有负数时，需先进行非负处理，再建模预测。 参考文献： [1]刘思峰，党耀国，方志耕. 灰色系统理论及其应