灰色预测模型原理
灰色理论预测模型
灰⾊理论预测模型灰⾊理论通过对原始数据的处理挖掘系统变动规律，建⽴相应微分⽅程，从⽽预测事物未来发展状况。
优点：对于不确定因素的复杂系统预测效果较好，且所需样本数据较⼩；缺点：基于指数率的预测没有考虑系统的随机性，中长期预测精度较差。
灰⾊预测模型在多种因素共同影响且内部因素难以全部划定，因素间关系复杂隐蔽，可利⽤的数据情况少下可⽤，⼀般会加上修正因⼦使结果更准确。
灰⾊系统是指“部分信息已知，部分信息未知“的”⼩样本“，”贫信息“的不确定系统，以灰⾊模型（G,M）为核⼼的模型体系。
灰⾊预测模型建模机理灰⾊系统理论是基于关联空间、光滑离散函数等概念，定义灰导数与会微分⽅程，进⽽⽤离散数据列建⽴微分⽅程形式的动态模型。
灰⾊预测模型实验以sin(pi*x/20)函数为例，以单调性为区间检验灰⾊模型预测的精度通过实验可以明显地看出，灰⾊预测对于单调变化的序列预测精度较⾼，但是对波动变化明显的序列⽽⾔，灰⾊预测的误差相对⽐较⼤。
究其原因，灰⾊预测模型通过AGO累加⽣成序列，在这个过程中会将不规则变动视为⼲扰，在累加运算中会过滤掉⼀部分变动，⽽且由累加⽣成灰指数律定理可知，当序列⾜够⼤时，存在级⽐为0.5的指数律，这就决定了灰⾊预测对单调变化预测具有很强的惯性，使得波动变化趋势不敏感。
本⽂所⽤测试代码：1 clc2 clear all3 % 本程序主要⽤来计算根据灰⾊理论建⽴的模型的预测值。
4 % 应⽤的数学模型是 GM(1,1)。
5 % 原始数据的处理⽅法是⼀次累加法。
6 x=[0:1:10];7 x1=[10:1:20];8 x2=[0:1:20];9 y=sin(pi*x/20);10 n=length(y);11 yy=ones(n,1);12 yy(1)=y(1);13 for i=2:n14 yy(i)=yy(i-1)+y(i);15 end16 B=ones(n-1,2);17 for i=1:(n-1)18 B(i,1)=-(yy(i)+yy(i+1))/2;19 B(i,2)=1;20 end21 BT=B';22 for j=1:n-123 YN(j)=y(j+1);24 end25 YN=YN';26 A=inv(BT*B)*BT*YN;27 a=A(1);28 u=A(2);29 t=u/a;30 t_test=5; %需要预测个数31 i=1:t_test+n;32 yys(i+1)=(y(1)-t).*exp(-a.*i)+t;33 yys(1)=y(1);34 for j=n+t_test:-1:235 ys(j)=yys(j)-yys(j-1);36 end37 x=1:n;38 xs=2:n+t_test;39 yn=ys(2:n+t_test);40 det=0;41 for i=2:n42 det=det+abs(yn(i)-y(i));43 end44 det=det/(n-1);4546 subplot(2,2,1),plot(x,y,'^r-',xs,yn,'b-o'),title('单调递增' ),legend('实测值','预测值');47 disp(['百分绝对误差为：',num2str(det),'%']);48 disp(['预测值为： ',num2str(ys(n+1:n+t_test))]);495051 %递减52 y1=sin(pi*x1/20);53 n1=length(y1);54 yy1=ones(n1,1);55 yy1(1)=y1(1);56 for i=2:n157 yy1(i)=yy1(i-1)+y1(i);58 end59 B1=ones(n1-1,2);60 for i=1:(n1-1)61 B1(i,1)=-(yy1(i)+yy1(i+1))/2;62 B1(i,2)=1;63 end64 BT1=B1';65 for j=1:n1-166 YN1(j)=y1(j+1);67 end68 YN1=YN1';69 A1=inv(BT1*B1)*BT1*YN1;70 a1=A1(1);71 u1=A1(2);72 t1=u1/a1;73 t_test1=5; %需要预测个数74 i=1:t_test1+n1;75 yys1(i+1)=(y1(1)-t1).*exp(-a1.*i)+t1;76 yys1(1)=y1(1);77 for j=n1+t_test1:-1:278 ys1(j)=yys1(j)-yys1(j-1);79 end80 x21=1:n1;81 xs1=2:n1+t_test1;82 yn1=ys1(2:n1+t_test1);83 det1=0;84 for i=2:n185 det1=det1+abs(yn1(i)-y1(i));86 end87 det1=det1/(n1-1);8889 subplot(2,2,2),plot(x1,y1,'^r-',xs1,yn1,'b-o'),title('单调递增' ),legend('实测值','预测值');90 disp(['百分绝对误差为：',num2str(det1),'%']);91 disp(['预测值为： ',num2str(ys1(n1+1:n1+t_test1))]);9293 %整个区间93 %整个区间94 y2=sin(pi*x2/20);95 n2=length(y2);96 yy2=ones(n2,1);97 yy2(1)=y2(1);98 for i=2:n299 yy2(i)=yy2(i-1)+y2(i);100 end101 B2=ones(n2-1,2);102 for i=1:(n2-1)103 B2(i,1)=-(yy2(i)+yy2(i+1))/2;104 B2(i,2)=1;105 end106 BT2=B2';107 for j=1:n2-1108 YN2(j)=y2(j+1);109 end110 YN2=YN2';111 A2=inv(BT2*B2)*BT2*YN2;112 a2=A2(1);113 u2=A2(2);114 t2=u2/a2;115 t_test2=5; %需要预测个数116 i=1:t_test2+n2;117 yys2(i+1)=(y2(1)-t2).*exp(-a2.*i)+t2;118 yys2(1)=y2(1);119 for j=n2+t_test2:-1:2120 ys2(j)=yys2(j)-yys2(j-1);121 end122 x22=1:n2;123 xs2=2:n2+t_test2;124 yn2=ys2(2:n2+t_test2);125 det2=0;126 for i=2:n2127 det2=det2+abs(yn2(i)-y2(i));128 end129 det2=det2/(n2-1);130131 subplot(2,1,2),plot(x2,y2,'^r-',xs2,yn2,'b-o'),title('全区间' ),legend('实测值','预测值'); 132 disp(['百分绝对误差为：',num2str(det2),'%']);133 disp(['预测值为： ',num2str(ys2(n2+1:n2+t_test2))]);。
灰色预测模型及其应用
x(0) {x(0) (1), x(0) (2), , x(0) (N ) } {6, 3, 8, 10, 7}
4.2 灰色系统的模型
对数据累加
x(1) (1) x(0) (1) 6， x(1) (2) x(0) (1) x(0) (2) 6 3 9， x(1) (3) x(0) (1) x(0) (2) x(0) (3) 6 3+8 17， x(1) (4) x(0) (1) x(0) (2) x(0) (3) x(0) (4) 6 3+8+10 27， x(1) (5) x(0) (1) x(0) (2) x(0) (3) x(0) (4) x(0) (5)
第四章 灰色预测模型及其应用
灰色预测模型（Gray Forecast Model）是通过少量 的、不完全的信息，建立数学模型并做出预测的 一种预测方法.当我们应用运筹学的思想方法解决 实际问题，制定发展战略和政策、进行重大问题 的决策时，都必须对未来进行科学的预测. 预测是 根据客观事物的过去和现在的发展规律，借助于 科学的方法对其未来的发展趋势和状况进行描述 和分析，并形成科学的假设和判断.
（5）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。
灰色预测理论-定义
什么是灰色预测法?灰色预测是就灰色系统所做的预测。
所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统，其具体的含义是：如果某一系统的全部信息已知为白色系统，全部信息未知为黑箱系统，部分信息已知，部分信息未知，那么这一系统就是灰色系统。
一般地说，社会系统、经济系统、生态系统都是灰色系统。
例如物价系统，导致物价上涨的因素很多，但已知的却不多，因此对物价这一灰色系统的预测可以用灰色预测方法。
灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定方位内变化的、与时间有关的灰色过程的预测。
尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。
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。
其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。
简言之，灰色预测模型是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的长期描述（模糊预测领域中理论、方法较为完善的预测学分支）。
灰色系统的概念是由邓聚龙教授于1982年提出的，它描述部分信急己知，部分未知介于黑白系统之间的系统。
GM（1,1）模型是灰色理论中较常用的预测方法，它以定性分析为先导，定量与定性结合，对离散序列建立微分方程以及白化方程，一般要经历思想开发、因素分析、量化、动态化、优化五个步骤。
灰色系统通过对原始数据的整理来寻求其变化规律，这是一种就数据寻找数据的现实规律的途径，称为灰色序列的生成。
生成数通过对原始数据的整理寻找数的规律，分为三类：a、累加生成：通过数列间各时刻数据的依个累加得到新的数据与数列。
第8章+灰色预测方法
（6）本征灰数与非本征灰数
本征灰数是指不能或暂时还不能找到一个白数作 为其“代表”的灰数；
非本征灰数是凭借某种手段，可以找到一个白数作 为其“代表”的灰数。
则称此白数为相应灰数的白化值，记为
并用 (a) 表示以a为白化值的灰数。
如：托人代买一件价格为100元左右的衣服，可将100作
为预测衣服价格(100)的白化数，记为
(100) 100
从本质上看，灰数可分为信息型、概念型和层次 型灰数。
（7）信息型灰数
因暂时缺乏信息而不能肯定其取值的数。但到一定 的时间，通过信息补充，灰数可以完全变白。
a
（8）概念型灰数，也称意愿型灰数
指由人们的某种概念、意愿形成的灰数。
（9）层次型灰数
指由层次的改变形成的灰数。(宏观白,微观灰)
4.灰数白化与灰度 （1）有一类灰数是在某个基本值附近变动的，这类灰数白 化比较容易，可将其基本值为主要白化值。可记为
(a) a a 其中 a 为忧动灰元。此灰数的白化值为 (a) a
（2）对一般的区间灰数 [a, b] ，将白化取值为 ~ a (1)b [0,1]
息是未知 的，系统内各因素间有不确定的关系。
（2）灰色系统特点
• 用灰色数学来处理不确定量，使之量化。
• 充分利用已知信息寻求系统的运动规律。
关键：如何使灰色系统白化、模型化、优化 灰色系统视不确定量为灰色量，提出了灰色系统
建模的具体数学方法，它能用时间序列来确定微分方 程的参数。
•灰色系统理论能处理贫信息系统。
商业
X 4 6.7,6.8,5.4,4.7
参考序列分别为 X1, X 2 ，被比较序列为 X 3, X 4,
灰色预测模型的研究及应用
灰色预测模型的研究及应用
灰色预测模型是一种用于预测问题的数学模型，广泛应用于各个领域。
它在1982年由中国科学家GM灰所提出，因此得名为“灰色预测模型”。
灰色预测模型基于灰色系统理论，它假设事物的发展具有一定的规律性和趋势性，但也存在不确定性的因素。
它通过对已知数据的分析和处理，来预测未来的发展趋势。
灰色预测模型的核心思想是将已知数据序列分解为两个部分：灰色部分和白色部分。
灰色部分是由数据的数量级和函数形式决定的，因此可以用来预测未来的趋势。
白色部分则是由不确定的随机因素引起的，往往被视为噪声，不具备预测能力。
灰色预测模型有多种形式，其中最常用的是GM(1,1)模型。
该模型通过建立一阶线性微分方程来描述数据的变化趋势，然后利用指数累减生成灰色模型。
基于灰色模型，可以进一步进行累加、累减、累乘等操作，来实现更复杂的预测。
灰色预测模型在各个领域都有广泛的应用。
其中最典型的应用是经济预测领域，包括国民经济、金融市场等。
此外，它还可以应用于工业生产、环境保护、农业发展、医疗卫生等方面的预测。
灰色预测模型的优点是简单易懂、计算量小、适用范围广。
它可以对数据的趋势进行较为准确的预测，尤其适用于数据量较小或者不完整的情况下。
缺点是对数据的要求较高，数据的采
样点要均匀分布，并且在建立模型时需要进行一些参数的选择，可能存在主观性和不确定性。
总之，灰色预测模型是一种有效的预测方法，具有广泛的应用前景。
在实际应用中，需要对具体问题进行合理的建模和参数选择，以提高预测的准确性。
灰色预测模型原理
灰色预测模型原理灰色预测模型（Grey Prediction Model）是一种基于灰色系统理论和数学建模方法的预测模型。
灰色系统理论是我国学者黄金云教授于1982年提出的一种系统理论，它是研究非确定性和不完备信息系统的一种新方法，可用于研究多变量、小样本和非线性系统。
灰色预测模型主要基于灰色数学建模方法，通过对已知的部分序列数据进行建模和预测，来推测未知的序列数据趋势。
它适用于研究数据量小、信息不完备、非线性关系复杂的系统。
下面将简要介绍灰色预测模型的原理、模型建立过程以及一些应用案例。
1. 灰色预测模型的原理灰色预测模型的核心思想是通过对已知数据进行灰色关联度的度量，从而建立出合适的数学模型，进行未来数据的预测。
其基本原理可以概括为以下五个步骤：（1）建立灰色微分方程：根据原始数据的特点，确定合适的灰色微分方程，通常使用一阶或高阶灰色微分方程。
（2）求解灰色微分方程：根据所选择的灰色微分方程，求解其参数，得到模型的特征参数。
（3）模型检验：检验所建立的灰色预测模型的拟合程度和误差是否符合要求。
（4）进行灰色关联度分析：根据已知数据的变化规律，计算各个因素的灰色关联度，确定相关因素的重要性。
（5）进行预测：利用建立好的灰色预测模型，对未来的数据进行预测和分析，得出预测值。
2. 模型建立过程灰色预测模型的建立过程中，通常包括以下几个步骤：（1）数据的建立与处理：对原始数据进行筛选、预处理和归一化处理，以满足模型的要求。
（2）建立灰色微分方程：从已知数据中提取主要特征，并根据数据的特点选择合适的灰色微分方程。
（3）求解灰色微分方程：根据所选的灰色微分方程，通过累加生成序列、求解参数等方法，得到模型的特征参数。
（4）模型的检验：根据已知数据的拟合程度和误差范围，评估所建立的灰色预测模型的准确性和可靠性。
（5）模型的应用与预测：利用已建立的模型进行未来数据的预测和分析，得出预测结果。
3. 应用案例灰色预测模型在实际应用中具有广泛的应用范围，以下是一些常见的应用案例：（1）经济领域：用于对经济指标、市场需求、价格变动等进行预测，为经济决策提供参考。
关于“灰色预测模型”讲解
7.8205 11.184
1
14.7185
1
1
1 1
y = [x (0)(2), x (0)(3), x (0)(4), x (0)(5)]T
= [3.278, 3.337, 3.390, 3.679]T
谢谢观赏！
有不足之处，请老师和同 学指正。若有疑问之处 ，请课后交流！
由于
涉及到累加列
(1) 的两个时刻的值，因此，
(1)
t
取前后两个时刻的平均代替更为合理，即将 x(i) (i) 替换为
1 [x(i) (i) x(i) (i 1)], (i 2,3,..., N ). 2
将（7.5）写为矩阵表达式
xxx(((000))M)(((N23)))xxx(((000))M)(((N12231212 [[[))x)xx(((111)))
概率统计、模糊数学和灰色系统理论是三种最常用的不确定性 系统研究方法。其研究对象都具有某种不确定性。
模糊数学着重研究“认知不确定”问题，其研究对象具有“内 涵明确，外延不明确”的特点问题，主要是凭经验借助于隶 属函数进行处理。例：年轻人
概率统计研究的是“随机不确定”现象，着重于考察“随机不 确定”现象的历史统计规律，考察具有多种可能发生的结果 之“随机不确定”现象中每一种结果发生的可能性大小。其 出发点是大样本，并要求对象服从某种典型分布。
灰色系统理论的研究内容 灰哲学、灰哲学、灰生成、灰分析、灰建模、灰预 测、灰决策、灰控制、灰评估、灰数学等。
灰色系统理论的应用领域 农业科学、经济管理、环境科学、医药卫生、矿业 工程、教育科学、水利水电、图像信息、生命科 学、控制科学等。
灰色系统的模型
通过下面的数据分析、处理过程，我们将了解 到，有了一个时间数据序列后，如何建立一个基 于模型的灰色预测。 1. 数据的预处理 首先我们从一个简单例子来考察问题. 【例】 设原始数据序列
第六章 灰色预测法
灰色系统理论认为任何随机过程都是一定幅度值范围内变化的灰 色量,所以随机过程是一个灰色过程. 灰色系统理论认为,尽管系统表象复杂,数据散乱,信息不充 分,但作为系统,它必然有整体功能和内在规律,必然是有序的. 在处理手法上,对灰色量的处理不是寻求它的统计规律和概率分 布,而是通过对杂乱无章的原始数据的整理来寻找数的规律,这 叫数的生成. 对原始数据作累加处理后,便出现了明显的指数规律.通过对生 成数据建立动态模型,来挖掘系统内部信息并充分利用信息进行 分析预测. 灰色预测(grey prediction)是利用灰色系统理论就灰色系统 所作的预测.
概率统计研究的是"随机不确定"现象的历史统计规 律,考察具有多种可能发生的结果的"随机不确定"现 象中每一种结果发生的可能性的大小,其出发点是, 大样本,且对象服从某种典型分布. 灰色系统研究的是"部分信息明确,部分信息未知"的 "小样本,贫信息"不确定性系统,它通过对已知"部分" 信息的生成去开发了解,认识现实世界.着重研究"外 延明确,内涵不明确"的对象.
2050年中国人口控制在15亿到16亿之间
树高在20米至30米
项目 研究对象 基础集合 方法依据 途径手段 数据要求 侧重 目标 特色
灰色系统 贫信息不确定 灰色朦胧集 信息覆盖 灰序列生成 任意分布 内涵 现实规律 小样本
概率统计 随机不确定 康托集 映射 频率分布 典型分布 内涵 历史统计规律 大样本
X ( 0) = ( x ( 0) (1), x ( 0) (2),
令z
(1)
, x ( 0) (n))
(k ) =
(1)
1 (1) (1) ( x (k ) + x (k 1)) 2