预测与决策--10.灰色预测G.ppt

内容回顾 主要内容： 一、灰 色 预 测 理 论 Grey、Probability、Fuzzy的区别 累加的规则 2、关联度 例1：有原始数列y0及比较数列y1、y2，试比较三者之间的关联度。 解：第一步“初值化” 第二步 求关联系数中两级差 第二步 求关联系数中两级差 又： 第二步 求关联系数中两级差 两级最小差 两级最大差 第三步：求关联系数 由于： 相似地有： 第四步 求关联度 灰色预测 基本特征 时间序列和回归分析是以原始数据为基础进行的；而灰色预测模型则是以生成数据为基础 灰色预测模型不需要大量资料，回归分析、时间序列预测则需要有一定数量样本的要求 基本模型：GM（1，1）模型 按照导数的定义 当Δt计时单位密化到一定程度后，可记： 或者记为离散形式，即： 离散化，作为 的背景值 则 例：有数列为 第一步、作AGO生成 按上式，得生成数列如下表： 第二步、确定数据矩阵B，YN 第三步、计算 第四步、求参数列 平均相对误差 给定α，当 成立时，称模型为残差合格模型。 一般地， α取0.01、0.05、0.10所对应的模型分别为优、合格、勉强合格。 第六步、精度检验——残差检验 第七步、精度检验之二——关联度检验 （ρ=0.5） 第八步、精度检验之三——后验差检验 小结 其中 设 为待估参数向量，可利用最小二乘法 求解。解得： 求解微分方程，即可得预测模型： 3.679 3.39 3.337 3.278 2.874 5 4 3 2 1 试建立GM（1，1）模型 16.558 12.879 9.489 6.153 2.874 3.679 3.39 3.337 3.278 2.874 5 4 3 2 1 第五步、确定模型 预测模型为 预测值 其中 灰色预测检验一般有残差检验、关联度检 2、模型检验 （1）残差检验 按预测模型计算 并将 累减生成 然后计算原始序列 与 的绝对误差序列及相 对误差序列。 验和后验差检验。 1.77% 2.71% 0.54％ 1.28％ 误差百分数 3.679 3.390 3.337 3.278 0.065 0.092 0.017 0.046 绝对误差 3.614 3.482 3.354 3.232 16.556 12.942 9.460 6.106 5 4 3 2 残差检验为合格 （2）关联度检验 根据前面所述关联度的计算方法算出 与原始序列 的关联系数，然后计算出关联 度，根据经验，当ρ=0.5时，关联度大于0.6便 满意了。 0 最小序列差 0.092 最大序列差 0.065 0.092 0.017 0.046 0 差值 0.412 0.333 0.724 0.522 1 关联系数 关联度 3.679 3.390 3.337 3.278 2.874 0.5982 3.614 3.482 3.354 3.232 2.874 5 4 3 2 1 关联度检验为合格 （3）后验差检验 a.计算原始序列标准差: LOGO 第 八 章 灰 色 预 测 生成列与关联度 2 GM（1，1）模型 3 灰色预测理论 1 GM（1，1）模型应用 4 系统的内部信息对外界 来说是一无所知的。 系统一部分信息已知，另一部分未知，系统内各因素间的关系不确定。 系统的内部特征是完全已知的。 黑色系统 灰色系统 白色系统 经验信息 无限信息 最少信息 信息准则 认知表达 历史统计规律 现实规律 目标 函数 要求典型分布 允许任意分布 要求 经验(数据) 多数据 少数据 特点 边界取值 统计 生成 手段 隶属度函数 概率分布 信息覆盖 依据 认知不确定 大样本不确定 小样本不确定 内涵 模糊集 概率论 灰色系统 研究对象： 灰色预测是对既含有已知信息又含有不确定信息的系统进行预则，就是对在一定范围内变化的、与时间有关的灰色过程进行预测。 基本思想： 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； 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。 灰色预测法 二、生成列与关联度 为了弱化原始时间序列的随机性，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。 1、生成列 累加（accumulated generating operation, AGO） 累加是将原始序列通过累加得到生成列。 灰色系统常用的数据处理方式有