上课的灰色预测法.docVIP

灰色预测法 1.什么是灰色预测法? 　　灰色预测法是一种对含有不确定因素的系统进行预测的方法。灰色系统是介于白色系统和黑色系统之间的一种系统。 　　白色系统是指一个系统的内部特征是完全已知的，即系统的信息是完全充分的。而黑色系统是指一个系统的内部信息对外界来说是一无所知的，只能通过它与外界的联系来加以观测研究。灰色系统内的一部分信息是已知的，另一部分信息时未知的，系统内各因素间具有不确定的关系。 　　灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。 2.灰色预测的类型 　　①灰色时间序列预测；即用观察到的反映预测对象特征的一系列数量（如：产量，销量，人口数量等）构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。 　　②畸变预测；即通过灰色模型预测异常值出现的时刻，预测异常值什么时候出现在特定时区内。 　　③ 系统预测；通过对系统行为特征指标建立一组相互关联的灰色预测模型，预测系统中众多变量间的相互协调关系的变化。 　　④拓扑预测；将原始数据作曲线，在曲线上按定值寻找该定值发生的所有时点，并以该定值为框架构成时点数列，然后建立模型预测该定值所发生的时点 3.常用的数据处理方式 在建立灰色预测模型之前，需先对原始时间序列进行数据处理，经过数据处理后的时间序列即称为生成列。数据生成的常用方式有累加生成、累减生成和加权累加生成。 累加生成 把数列各项（时刻）数据依次累加的过程称为累加生成过程（Accumulated Generating Operation，简称AGO ）。由累加生成过程所得的数列称为累加生成数列。 设原始数列为，令 称所得到的新数列为数列的1次累加生成数列。类似地有 ， 称为的次累加生成数列。 累减生成 对于原始数据列依次做前后相邻的两个数据相减的运算过程称为累减生成过程（IAGO）。如果原始数据列为，令 称所得到的数列为的1次累减生成数列。 注：从这里的记号也可以看到，从原始数列，得到新数列，再通过累减生成可以还原出原始数列。实际运用中在数列的基础上预测出，通过累减生成得到预测数列。 加权邻值生成 设原始数列为，称为数列的邻值，为后邻值，为前邻值。对于常数，令 由此得到的数列称为数列在权下的邻值生成数，权也称为生成系数。 特别地，当生成系数时，则称 为均值生成数，也称等权（紧邻）邻值生成数。 GM(1,1) 模型建立 灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程，进而利用离散数据列建立微分方程形式的动态模型，由于这是本征灰色系统的基本模型，它是近似的、非惟一的，称为灰色模型（GM）。 设为原始数列，其1次累加生成数列为，其中 令为数列的紧邻均值生成数列，即 于是定义GM(1,1)的灰微分方程模型为 即 (1) 在式(1)中， 称为灰导数，称为发展系数，称为白化背景值， 称为灰作用量。 将时刻代入(1)式有 (1)’ 引入矩阵向量记号： , , 数据向量 参数向量 数据矩阵 于是GM(1,1)模型可表示为 现在问题归结为求的值。用一元线性回归，即最小二乘法求它们的估计值为 注：实际上回归分析中求估计值是用软件计算的，有标准程序求解，matlab, excel都可以。 对于GM(1,1)的灰微分方程(1),如果将灰导数的时刻视为连续变量，则视为时间的函数，于是对应于导数，让背景值对应于导数。于是GM(1,1)的灰微分方程对于的白微分方程为 (2) 称之为GM(1,1)的白化型。 (2)以初值的解为 注：GM(1,1)的白化型(2)并不是由(1)直接推导出来的，仅仅是一种“借用”或“白化默认”。所以从GM(1,1)的白化型推导出来的结果，要在不与定义矛盾的情形下才成立。后面我们会看到，对数据列有要求。 5. GM(1,1)灰色预测的步骤 数据的检验与处理 为了保证GM(1,1)建模方法的可行性，需要对已知数据做必要的检验处理。设原始数据列为，计算数列的级比 如果所有的级比都落在可容覆盖区间内，则数据列可以建立GM(1,1)模型且可以进行灰色预测。否则，对数据做适当的变换处理，如平移变换：取使得数据列 的级比都落在可容覆盖内。 建立GM(1,1)模型 不妨设满足上面的要求，以它为数据列建立GM(1,1)模型 用回归分析求得的估计值，于是相应的白化模型为 解为 （