常用预测模型

常用预测模型（一）灰色预测模型1. 灰色系统理论 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状况。灰色预测法用等时距观测到的反映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。2．灰色预测理论模型数学形式 在通过灰色理论建立预测模型时，常需要先进行累加或累减后计算数据列间的关联度，再建立最终的预测模型。如原始数据列为：()()()()()()()()(){}nXXXXX00000,...3,2,1=；通过累加后变为：()()()()()()()()(){}nXXXXX11111,...3,2,1=；那么进行m次累加后有：()()()()∑=−=kimmiXkX11关联度：是分析系统中各因素关联程度的方法，在计算关联度之前需先计算关联系数。设：()()()()()()()(){}nXXXkX0000ˆ,...,2ˆ,1ˆˆ=，()()()()()()()(){}nXXXkX0000,...,2,1=()()()()()()()()()()()()()()()()kXkXkXkXkXkXkXkX00000000ˆmaxmaxˆˆmaxmaxˆminmin−+−−+−ρρ则关联系数定义为：式中：()()()()kXkX00ˆ−为第k个点()0X和()0ˆX的绝对误差；()()()()kXkX00ˆminmin−为两级最小差；()()()()kXkX00ˆmaxmax−为两级最大差；ρ称为分辨率，0ρ1,一般取ρ=0.5；对单位不一，初值不同的序列，在计算相关系数前应首先进行初始化，即将该序列所有数据分别除以第一个数据。关联系数矩阵确立后，则与()()kX0()()kX0ˆ的关联度为：()∑==nkknr11η建立预测模型：在前述准备完成后，GM（1，1）通过相应的微分方程建立模型。()()μ=+11ddaXtX其中：α称为发展灰数；μ称为内生控制灰数。设αˆ为待估参数向量，⎟⎟⎠⎞⎜⎜⎝⎛=μαaˆ，可利用最小二乘法求解。解得：()nTTYBBB1ˆ−=α1求解微分方程，即可得到预测模型：()()()()aeaXkXakμμ+⎥⎦⎤⎢⎣⎡−=+−11ˆ01nk...,2,1,0=3．灰色预测模型的适用条件 从灰色理论的基本原理知道，灰色模型适用于数据列波动起伏较大、无特别明显规律、随机性强的目标预测。从其模型方程看，相对于时间序列建模型，灰色理论模型更适用于中长期的数据序列预测。4．灰色预测模型的优劣 由于灰色建模理论应用数据生成手段,弱化了系统的随机性,使紊乱的原始序列呈现某种规律,规律不明显的变得较为明显,建模后还能进行残差辨识,即使较少的历史数据,任意随机分布,也能得到较高的预测精度。灰色预测模型可用不完全信息建立信息尽可能完全的模型。因此,灰色预测在社会经济、管理决策、农业规划、气象生态等各个部门和行业都得到了广泛的应用，已经在各行各业得到充分的应用。但该模型的应用也具有局限性，主要体现在以下方面：（1）对数据进行处理的效果与QQ-plot图类似，而QQ-plot图在多数统计分析软件中有直接使用模块，致使灰色模型运用不够广泛；(2)灰色模型在应用时针对具有确定影响因素的预测能力不足，比较适用于结构复杂、变量繁多、难以找到核心变量的随机数据预测中；(3)由于诸多客观因素的影响，预测值真正具有实际意义并且预测精度较高的常常仅是整个预测序列中的第一、第二个预测值，而较远的预测值则只是反应未来发展的趋势，要做出中长期的预测比较困难（二）回归预测模型1. 一元线性回归模型 1.1一元线性回归模型的数学形式一元线性回归法预测的基本思想是:按照两个变量X、Y的现有数据,把X、Y作为已知数,根据回归方程Y=ax+b寻求合理的a、b,确定回归曲线;再把a、b作为已知数来确定X、Y的未来演变。一元线性回归方程为:Y=a+bX,通常用最小二乘法确定参数a、b;a=Y-bx;b=Lxy/Lxx。21.2一元线性回归模型的适用条件只有当Y与X存在线性关系时,回归直线才有意义,因此在建立数字模型前检验Y与X的线性相关程度时,应使用线性相关系数R进行来判断。式中,R=Lxy/Lxy*Lyy,若R越接近1,则说明线性相关程度越高。根据R值可以发现,已知数据线性关系越好,则预测误差越小,反之则越大。历史数据在没有发生突变时,使整段数据直线性趋势较理想,大致上处于一种直线趋势,那么我们所取的一元线性回归法是较合适的。所以在使用一元线性回归法时,一定要注意R值的大小,使原始数列保持良好的线性关系,这样才能保证预测结果的可靠性。1.3一元线性回归模型的优劣一元线性模型的优点是简单易行，便于掌握，能够充分运用原时间序列的各项数据，计算速度快，对模型参数有动态确定的能力，精度较好。缺点是不能反映事物的内在联系，不能分析两个因素的相关关系，常数的选择对数据修匀程度影响较大，不宜取得太小，只适用于短期预测。2. 多元线性回归模型 1.1多元线性回归模型的数学形式假定从理论上或经验上已经知道输出变量y是输入变量x1，x2，…,xm的线性函数，但表达其线性关系的系数是未知的，要根据输入输出的n次观察结果(c11，x21，…，xml，yi)(i=1,n)来确定系数的值。按最小二乘法原理来求出系数值，所得到的模型为多元线性回归模型。多元线性回归模型一般形式为：uXbXbXbbYkk+++++=Λ221101.2多元线性回归模型的适用条件在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。该模型有几个假设：（1）解释变量Xi是确定性变量，不是随机变量；解释变量之间互不相关，即无多重共线性。（2）随机误差项具有0均值和同方差（3）随机误差项不存在序列相关关系（4）随机误差项与解释变量之间不相关（5）随机误差项服从0均值、同方差的正态分布。1.3多元线性回归模型的优劣事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或3估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。不过，多元线性回归模型的样本是一个重要的实际问题，模型依赖于大量的实际样本，获取样本需要成本。（三）时间序列预测模型1. 指数平滑法 1.1指数平滑法数学形式指数平滑法的基本思路是:预测值是以前观测值的加权和,且对不同的数据给予不同的权,新数据给较大的权,旧数据给较小的权。一次指数平滑法:设时间序列为:y1,y2,…,yt…,则一次指数平滑公式为:S(1)t=ayt+(1-α)S(1)t-1。式中,S(1)t为第t周期的一次指数平滑值;α为加权系数,0α1。一次指数平滑法的预测模型为:^yt+1=S(1)t=αyt+(1-α)^yt,即以第t周期的一次指数平滑值作为第t+1期的预测值。二次指数平滑法:在一次指数平滑的基础上再作二次指数平滑,利用滞后偏差的规律找出曲线的发展方向和发展趋势,然后建立直线趋势预测模型,故称为二次指数平滑法。设一次指数平滑为S(1)t,则二次指数平滑S(2)t的计算公式为:S(2)t=αS(1)t+(1-α)S(1)t-1;预测模型为:^yt+T=at+btT,T=1,2…。式中,t为当前时期数,T为由当前时期数t到预测期的时期数,^yt+T为第t+T期的预测值,at为截距,bt为斜率,其计算公式为:at=2S(1)t-S(2)t;bt=α1-α(S(1)t-S(2)t。1.2指数平滑法的适用条件指数平滑法一般适用于时间序列长期趋势变动和水平变动食物的预测。一次指数平滑法适用于水平型变动的时间序列预测，二次指数平滑法适用于线性趋势型变动的时间序列预测，三次指数平滑法适用于非线性趋势变动的时间序列预测。1.3指数平滑法的优劣三次指数平滑法受历史数据长度的影响较小。是一种特殊的加权移动平均法，它考虑到了时间序列中所有数据对预测对象的影响，因此其预测结果更为科学。2. 移动平均法 2.1移动平均法数学形式4移动平均法的基本思想是:根据时间序列资料逐项推移,依次计算包含一定项数的序时平均值,以反映长期趋势的方法。移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均。简单移动平均的各元素的权重都相等。简单的移动平均的计算公式如下：Ft=(At-1+At-2+At-3+…+At-n)/n加权移动平均给固定跨越期限内的每个变量值以相等的权重。其原理是：历史各期产品需求的数据信息对预测未来期内的需求量的作用是不一样的。除了以n为周期的周期性变化外，远离目标期的变量值的影响力相对较低，故应给予较低的权重。加权移动平均法的计算公式如下：Ft=w1At-1+w2At-2+w3At-3+…+wnAt-n式中，w1--第t-1期实际销售额的权重；w2--第t-2期实际销售额的权重；wn--第t-n期实际销售额的权重；n--预测的时期数；w1+w2+…+wn=12.2移动平均法适用条件移动平均法适用于即期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。2.3移动平均法的优劣使用移动平均法进行预测能平滑掉需求的突然波动对预测结果的影响。但移动平均法运用时也存在着如下问题：（1）加大移动平均法的期数（即加大n值）会使平滑波动效果更好，但会使预测值对数据实际变动更不敏感；(2）移动平均值并不能总是很好地反映出趋势。由于是平均值，预测值总是停留在过去的水平上而无法预计会导致将来更高或更低的波动；(3)移动平均法要由大量的过去数据的记录。(4)它通过引进愈来愈期的新数据，不断修改平均值，以之作为预测值。（四）小结各类模型的数学形式、适用条件各不相同，各具特色。在应用模型进行预测时,一定要5综合考虑原始数据自身的特点和各种预测模型的自身特性,然后在其中选择最适合的模型进行预测,这样才能使预测更科学、更可靠,从而为土地利用规划提供科学的依据。参考文献[1].王薇,曲静.灰色预测模型在住宅市场中的应用.廊坊师范学院学报（自然科学版）.2008,(4).[2]陈飞.灰色预测模型及应用[J].商情(教育经济研究),2008,(05)[3]王新军,张永福,牟磊,王伟.模型预测在土地利用规划中的应用[J].资源开发与市场,2006(04).[4]李红伟，曾永年，陈安平.土地利用规划中建设用地预测模型的比较研究[J].水土保持研究，2008（02）.6