数模理论.docVIP

灰色预测方法介绍 一． 基本概念 1． 灰数的概念 在灰色系统中，灰数（或灰色数）是指信息不完全的数，例如：“那人的身高约为170cm、体重大致为60kg”，这里的“（约为）170（cm）”、“60”都是灰数，分别记为 、 。又如，“那女孩身高在157－160cm之间”，则关于身高的灰数 。 记 为灰数 的白化默认数，简称白化数，则灰数 为白化数 的全体。灰数有离散灰数（ 属于离散集）和连续灰数（ 属于某一区间）。 灰数的运算符合集合运算规律。 2． 灰色生成数列 在灰色系统理论中，把随机变量看成灰数，即是在指定范围内变化的所有白色数的全体。对灰数的处理主要是利用苏剧处理方法寻求数据间的内在规律，通过对已知数据列中的数据尽心处理而产生新的数据列，以此来研究寻找数据的规律性，这种方法称为数据的生成。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。 （1） 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。 （2） 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 。 （3） 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，也称等权邻值生成数。 二． 灰色模型GM 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）。 1． GM(1,1)模型 设 为原始数列，其1次累加生成数列为 ，其中 定义 的灰导数为 令 为数列 的邻值生成数列，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。 2． GM(1,N)模型 当系统有 个行为因子，即 个灰色变量，这时可以建立M(1,N)模型。 设原始数列为 记 为 的1次累加生成数列， 的等权邻值邻值生成数列为 ，即 于是得GM(1,N)的灰微分方程模型为 (3) 其中 称为灰导数， 称为背景值， 为参数。 引入矩阵向量记号： , , ， 数据列（已知） 参数列（未知） 数据矩阵（已知） 则GM(1,N)的灰微分方程模型(3)为 用最小二乘法求参数 的估计值 ，使得 达到最小，其中 为残差。当然，求解时也是用软件求解。 GM(1,N)的白化型： 三． GM(1,1)灰色预测的步骤 1． 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