民航机场旅客吞吐量的PGM(1,2)预测模型研究应用-Read.doc

多变量灰色数列预测模型研究与实践 安 然 杨 丽 （中国民用航空学院 天津 300300） 摘要：本文根据灰色数列预测的基本原理，首次以通过增加白信息量来降低预测系统的灰度为指导思想，以灰色GM(1,1)和GM(1,N)模型为基础，提出了多变量灰色系统数列预测模型——PGM(1,N)模型。并将PGM(1,2)模型应用于实例，结果表明，短、中、长期预测的相对误差均≤12%，预测精度很高。本文提出的PGM(1,N)模型不仅突破了灰色理论的GM（1，N）模型一般不能用于数列预测的现状，而且进一步扩大了灰色数列预测理论的适用范围。 关键词：灰色预测；GM(1,1)模型；PGM(1,N)模型； 中图分类号：TP301， 文献标识码：A 1 引言 灰色系统理论是邓聚龙教授于80年代初创建的。二十多年来，灰色GM(1,1)模型进行数列预测曾被应用于许多领域，其中一些预测已经被实践检验，证明预测非常成功［1］、。但也有不适用的情况。为此，一些学者以灰色GM(1,1)模型为基础，提出了许多改进模型，如灰色动态模型，灰色无偏差GM(1,1)模型，GOM（1，1）模型等［2］、［3］。笔者运用GM(1,1)模型及其改进模型对民航机场旅客吞吐量进行预测研究发现，短期预测值数列与实际值数列拟合的很好，但是中、长期预测误差较大。针对这一现状，本文根据灰色数列预测的基本原理，首次以通过增加白信息量来降低预测系统的灰度为指导思想，以灰色GM(1,1)和GM(1,N)模型为基础，提出了新的灰色数列预测模型，即多变量灰色系统数列预测模型，我们称之为PGM(1,N)模型，并使用PGM(1,2)模型对上海民机场旅客吞吐量进行了预测检验，结果表明，短、中、长期预测的相对误差均≤12%，预测精度很高。 2 灰色PGM(1,N)模型的建立 2.1.建模的指导思想 众所周知，信息部分明确，部分不明确的系统为灰色系统。灰色系统理论是以“部分信息已知，部分信息未知”的“小样本”、“贫信息”的不确定性系统为研究对象，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行规律进行正确描述的目的。灰色系统理论用于数列预测的GM(1,1)模型的特点是利用单变量时间序列数据进行预测。虽然在形式上，GM(1,1)模型只运用预测对象自身的时间序列数据建立模型，与其相关联的因素没有参与运算和建模，但是预测对象自身的已知时间序列数据的动态变化，正是那些众多相关联因素的互相制约、协和作用的结果。实际上，它们的影响已经或多或少地反映在起伏波动的预测对象自身的已知时间序列数据里。灰色系统的“灰”正是体现在这里。那末，为什么GM(1,1)模型存在局限性而不能普遍使用呢？这是由于GM(1,1)模型对预测系统的“灰”有一个“度”的要求的体现。一般来讲，不同的灰色系统的“灰度”不同，当一个灰色系统的灰度太大时，灰色GM(1,1) 模型不能适用。此时可以充分利用系统的白信息量来降低系统的灰度，达到灰色预测的目的。即通过建立多变量灰色数列预测模型，引入与预测对象密切相关的一种或多种因素的已知信息参与运算和建模。GM（1，2）时滞预测模型［4］即是体现了这一思想并获得了成功的典型例证。基于上述思想和灰色系统理论的GM（1，N）模型一般不能用于数列预测的现状，本文以灰色GM(1,1)和GM(1,N)模型为基础，提出了新的灰色数列预测模型，即多变量灰色系统数列预测模型---------PGM(1,N)模型。 2.2PGM(1,N)模型的建立 设灰色系统有N个关联度极高的时间序列数据组成原始序列： Xi (0)= (Xi(0) (1), Xi0) (2),…, Xi (0) (n))，其中Xi(0)为预测对象自身的时间序列数据，亦称之为主序列。对原始序列进行一次累加生成，得到生成序列： Xi(1)=( Xi(1) (1), Xi(1) (2),…, Xi(1) (n)) 其中： k=1,2,…,n；i=1,2,…, N； 令 k=2, 3, …,n; i=1,2, …, N； 则有GM(1,N)模型的灰微分方程 ： （1） 及其白化方程: （2） 由于GM(1,N)）模型一般不能用于数列预测，我们对GM(1,N)）模型进行合理修正，即：用代替（1）、（2）两式中的，j=2,3, …, N；建立PGM(1,N)模型的灰微分方程为： （3） 及PGM(1,N)模型的白化微分方程为： （4） 式中为系统发展系数，为内生控制变量。 且满足GM(1,1)模型的灰微分方程： （5） 及其白化方程： （6） 由于(6)式的解为： ，