GM(1,1)模型的应用

GM(1,1)预测模型的应用灰色预测是基于GM(1,1)预测模型的预测，按其应用的对象可有四种类型：(1)数列预测。这类预测是针对系统行为特征值的发展变化所进行的预测。(2)灾变预测。这类预测是针对系统行为的特征值超过某个阙值的异常值将在何时出现的预测。(3)季节灾变预测。若系统行为的特征有异常值出现或某种事件的发生是在一年中的某个特定的时区，则该预测为季节性灾变预测。(4)拓扑预测。这类预测是对一段时间内系统行为特征数据波形的预测。例1（数列预测）：设原始序列)679.3,390.3,337.3,278.3,874.2())5(),4(),3(),2(),1(()0()0()0()0()0()0(xxxxxX试用GM(1,1)模型对)0(X进行模拟和预测，并计算模拟精度。解：第一步：对)0(X进行一次累加，得)558.16,897.12,489.9,152.6,874.2()1(X第二步：对)0(X作准光滑性检验。由)1()()()1()0(kxkxk得5.029.0)5(,5.036.0)4(,54.0)3(。当k3时准光滑条件满足。第三步：检验)1(X是否具有准指数规律。由)(1)1()()()1()1()1(kkxkxk得29.1)5(,36.1)4(,54.1)3()1()1()1(当k3时，5.0],5.1,1[)()1(k，准指数规律满足，故可对)1(X建立GM(1,1)模型。第四步：对)1(X作紧邻均值生成，得)718.14,184.11,820.7,513.4()1(Z于是679.3390.3337.3278.3)5()4()3()2(,1718.141184.111820.71513.41)5(1)4(1)3(1)2()0()0()0()0()1()1()1()1(xxxxYzzzzB第五步：对参数列Tba],[ˆ进行最小二乘估计。得0653.30372.0)(ˆ1YBBBTT第六步：确定模型0653.30372.0)1()1(xdtdx及时间响应序列402151.82276151.85))1(()1(ˆ0372.0)0()1(kakeabeabxkx第七步：求)1(X的模拟值)5558.16,9422.12,4605.9,1060.6,8704.2())5(ˆ),4(ˆ),3(ˆ),2(ˆ),1(ˆ(ˆ)1()1()1()1()1()1(xxxxxX第八步：还原求出)0(X的模拟值。由)(ˆ)1(ˆ)1(ˆ)1(ˆ)1()1()1()1()0(kxkxkxakx得)6136.3,4817.3,3545.3,2320.3,8740.2())5(ˆ),4(ˆ),3(ˆ),2(ˆ),1(ˆ(ˆ)0()0()0()0()0()0(xxxxxX第九步：检验误差。由下表可算出残差平方和：误差检验表序号实际数据)()0(kx模拟数据)(ˆ)0(kx残差)()()0(kxk-)(ˆ)0(kx相对误差)(|)(|)0(kxkk23453.2783.3373.3903.6793.23003.35453.48173.61360.0460-0.0175-0.09170.06541.40%0.52%2.71%1.78%平均相对误差1.6025%第十步：预测)1(ˆ)0(kx......8928.3)7(ˆ1991.24402151.82276151.85)7(ˆ7505.3)6(ˆ3063.20402151.82276151.85)6(ˆ)0(60372.0)1()0(50372.0)1(xexxex例2（灾变预测）：某企业生产用原料属受自然灾害影响较大的农产品。一般来说，自然灾害的发生有其偶然性，但对历史数据的整理，仍可发现一定的规律性。为尽量减少生产不受自然灾害的影响，该企业希望了解影响原料供应的规律性并提前做好原料储备，所收集数据见下表，并规定每亩平均收获量小于320千克时为欠收年份，将影响原料的正常供应，现应用灰色灾变预测来预测下次发生欠收的年份。原料收获统计表年份199119921993199419951996199719981999收获量(千克)390.6412320559380542553310561年份20002001200220032004200520062007收获量(千克)300632540406.2314576587318第一步：将上表中年份用序号替换，并找出收获量小于320千克的年份序号形成初始序列)0(。本例初始序列：)17,14,10,8,3()0(一次累加生成序列：)52,35,21,11,3()1()1(的紧邻均值生成序列：)5.43,28,16,7()1(Z第二步：按)1(Z建GM(1,1)模型。1714108)5()4()3()2(,15.43128116171)5(1)4(1)3(1)2()0()0()0()0()1()1()1()1(YzzzzB25834.625361.0)(ˆ1YBBBaTT67702.2467702.27])([)1(25361.0)0()1(tateabeabtt第三步：预测当t=6时，684.73)6(ˆ)1(6848.21)6(ˆ)0(因此，下次发生收获量小于320千克的年份为：2011年至2012年，即四至五年后将出现欠收年份。其他预测类型见参考书。五、残差GM(1,1)模型当GM(1,1)模型精度不符合要求时，可使用残差序列建立GM(1,1)模型，对原来模型进行修正，以提高精度。定义4设))(),...,2(),1(()0()0()0()0(n其中，)()()0(kxk-)(ˆ)1(kx为)1(X的残差序列。若存在k0，满足1.的符号一致；)(,)0(0kkk2.40kn，则称|))(||,...,)1(||,)((|)0(0)0(0)0(nkk为可建模残差尾段，仍记为))(),...,1(),(()0(0)0(0)0()0(nkk命题1设))(),...,1(),(()0(0)0(0)0()0(nkk为可建模残差尾段，其一次累加序列))(),...,1(),(()1(0)1(0)1()1(nkk的GM(1,1)模型的时间响应式为0)]([0)0()1(,))(()1(ˆ0kkabeabkkkka则残差尾段的模拟序列为))(ˆ),...,1(ˆ),(ˆ(ˆ)0(0)0(0)0()0(nkk其中0)]([0)0()0(,))()(()1(ˆ0kkeabkakkka定义5若用)0(ˆ修正)1(ˆX则称修正后的时间响应式0)]([0)0()0(0)0()1(,))(())1((,))1(()1(ˆ0kkeabkaabeabxkkabeabxkxkkaakak为残差修正GM(1,1)模型，简称残差GM(1,1)。其中残差修正值)]([0)0()0(0))()(()1(ˆkkaeabkak的符号应与残差尾段)0(的符号保持一致。定义6若)1()0()1()1()0())1()(1()1(ˆ)(ˆ)(ˆkaaeabxekxkxkx则相应的残差修正时间响应式0)]([0)0()0(0)0()0(,))(())1()(1(,))1()(1()1(ˆ0kkeabkaeabxekkeabxekxkkaakaaka称为累减还原式的残差修正模型。例题湖北省云梦县油菜发病率数据为)15,17,5.15,18,14,21,35,45,40,25,40,20,6())13(),...,8(),7(),6(),5(),4(),3(),2(),1(()0()0()0()0()0()0()0()0()0()0(xxxxxxxxxX建立GM(1,1)模型，得时间响应式为999.573999.567)1(ˆ06486.0)1(kekx作累减还原，得)4768.176478.188974.192307.216534.221719.247900.255192.273682.293308.314303.336704.35()}(ˆ{ˆ132)0()0(，，，，，，，，，，，kxX检验其精度：列出误差检验表误差检验表序号实际数据)()0(kx模拟数据)(ˆ)0(kx残差)()()0(kxk-)(ˆ)0(kx相对误差)(|)(|)0(kxkk234567891011121320402540453521141815.5171535.670433.430331.330829.368227.519225.790124.171922.653421.230719.897418.647817.4768-15.67046.5697-6.330810.631817.48089.2099-3.1719-8.6534-3.2307-4.3974-1.6478-2.476878.3540%16.4242%25.3232%26.5795%38.8642%26.3140%15.1043%61.8100%17.9483%28.3703%9.6926%16.5120%平均相对误差30.11%由此可见，相对精度不到70%，需采用残差模型进行修正。取k0=9，得残差尾段)4768.2,6478.1,3974.4,2307.3,6534.8())13(),12(),11(),10(),9(()0()0()0()0()0()0(此为可建模残差尾段，去绝对值，得)4768.2,6478.1,3974.4,2307.3,6534.8()0(建立GM(1,1)模型，得)0(的一次累加序列)1(的时间响应式：7.3224)1(ˆ)9(16855.0)1(kek其导数还原值为)9(16855.0)9(16855.0)0(0452.4)24)(16855.0()1(ˆkkeek由kakaeeabxekxkxkx06486.0)0()1()1()0(0614.38))1()(1()(ˆ)1(ˆ)1(ˆ可得累减还原式残差修正模型为9,0452.40614.389,0614.38)1(ˆ)9(16855.006486.006486.0)0(keekekxkkk其中，)1(ˆ)0(k的符号与原始残差序列的符号一致。按此模型，可对k=10,11,12,13四个模拟值进行休整，修正后的精度如下表：误差检验表序号实际数据)()0(kx模拟数据)(ˆ)0(kx残差)()()0(kxk-)(ˆ)0(kx相对误差)(|)(|)0(kxkk101112131815.5171517.185816.479915.760415.03720.8142-0.97991.2396-0.03724.52%6.32%7.29%0.25%平均相对误差4.595%残差修正GM(1,1)模型的模拟精度得到了明显提高。因此时残差序列已不满足建模要求，若对残差精度仍不满意，就只有考虑采用其它模型或对原始数据序列进行适当取舍。六、GM(1,1)模型群在实际建模中，原始数据序列的数据不一定全部用来建模。我们在原始数据序列中取出一部分数据，就可以建立一个模型。一般来说，去不同的数据，建