灰色系统预测模型GM(1,1)实现过程
灰色系统预测模型GM(1,1) 1. GM(1,1)的一般形式
设有变量X (0)＝{X (0)(i)，i=1,2，...，n}为某一预测对象的非负单调原始数据列，为建立灰色预测模型：首先对X (0)进行一次累加(1—AGO, Acumulated Generating Operator)生成一次累加序列：
X (1)＝{X (1)(k )，k ＝1，2，…，n}
其中
X (1)
(k )＝
∑
=k
i 1
X (0)(i)
＝X (1)(k －1)+ X (0)(k ) (1) 对X (1)可建立下述白化形式的微分方程：
dt
dX )1(十)
1(aX ＝u (2)
即GM(1,1)模型。
上述白化微分方程的解为(离散响应)： ∧
X (1)(k +1)＝(X (0)(1)－
a u )ak e -＋a
u
(3)
或
∧
X (1)(k )＝(X (0)(1)－a u ))1(--k a e ＋a
u (4) 式中：k 为时间序列，可取年、季或月。
2. 辩识算法
记参数序列为∧
a , ∧
a ＝[a,u]T ,∧
a 可用下式求解:
∧
a ＝(B T B)-1B T Y n (5)
式中:B —数据阵；Y n —数据列
B ＝?????????
???????????+++- 1 (n))X 1)-(n (X 21 ... 1 (3))X (2)X (211 (2))
X (1)X (21(1)1(1)
(1)(1)
(1)）（－－ (6) Y n ＝(X (0)(2), X (0)(3),…, X (0)(ｎ))T (7)
3. 预测值的还原
由于GM 模型得到的是一次累加量，k ∈{n+1,n+2,…}时刻的预测值，必须将GM 模型所得数据∧X
(1)
(k +1)(或∧
X
(1)
(k ))经过逆生成即累减生成(I —AGO)还原为∧
X (0)(k +1)(或
∧
X (0)(k ))，即：
∧
X (1)
(k )＝∑=k
i 1
∧
X (0)(i)
＝
∑
-=1
1
k i ∧
X (0)
(i)＋∧
X (0)(k )
∧X (0)
(k )＝∧X (1)
(k )－∑-=11
k i ∧
X (0)(i)
因为∧
X
(1)
(k -1)＝
∑
-=1
1
k i ∧
X (0)
(i)，所以∧
X (0)
(k )＝∧
X (1)
(k )－∧
X (1)(k -1)。
4. 灰色系统模型的检验
检验方法一：残差合格（相对误差）
定义：设原始序列
{}
)(,),2(),1()0()0()0()0(n x x x X =
相应的模型模拟序列为
{}
)(?,),2(?),1(??)0()0()0()0(n x x x X
= 残差序列
{})(),2(),1()0(n εεεε =
{}
)(?)(,),2(?)2(),1(?)1()0()0()0()0()0()0(n x n x x x x x ---= 相对误差序列
??????=?)()(,,)
2()2(,)1()1()0()0()0(n x n x x εεε
{}n
k 1?=
1.对于k ＜n,称)
()
()0(k x k k ε=
?为k 点模拟相对误差，称)
()
()0(n x n n ε=
?为滤波相对误差，
称∑=?=?n
k k n 1
1为平均模拟相对误差；
2.称?-1为平均相对精度，n ?-1为滤波精度；
3.给定α，当α
定义：设)
0(X 为原始序列，)0(?X
为相应的模拟误差序列，ε为)
0(X 与)
0(?X
的绝对关
联度，若对于给定的00,0εεε>>，则称模型为关联合格模型。
检验方法三：均方差比合格、小误差概率合格 定义：设)
0(X
为原始序列，)
0(?X
为相应的模拟误差序列，)
0(ε
为残差序列。
∑==n k k x n x 1
)
0()(1为)0(X 的均值，
21)0(2
1))((1x k x n s n k -=∑=为)0(x 的方差，
∑==n
k k n 1)(1εε为残差均值，
∑=-=n k k n s 122
2))((1εε为残差方差，
1. 称1
2s s
c =为均方差比值；对于给定的00>c ，当0c c <时，称模型为均方差比合格模
型。 2. 称()16745.0)(s k P
p <-=εε为小误差概率，对于给定的00>p ,当0p p >时，称模型为小误差概率合格模型。
表1 精度检验等级参照表
精度等级
相对误差 关联度 均方差比值 小误差概率
一级 0.01 0.90 0.35 0.95 二级 0.05 0.80 0.50 0.80 三级 0.10 0.70 0.65 0.70 四级 0.20 0.60 0.80
0.60
一般情况下，最常用的是相对误差检验指标。
5. GM(1,1)预测应用举例
设原始时间序列为：{}
)5(),4(),3(),2(),1()0()0()0()0()0()
0(x x x x x X
=
()679.3,390.3,337.3,278.3,874.2=
建立GM(1,1)模型，并进行检验。 解：1）对)0(X
作1-AGO ，得
[D 为)
0(X 的一次累加生成算子，记为1-AGO]
{
}
)5(),4(),3(),2(),1()1()1()1()1()1()
1(x x x x x X
= ()558.16,579.12,489.9,152.6,874.2=
2)对)
1(X
作紧邻均值生成，令
)1(5.0)(5.0)()1()1()1(-+=k x k x k Z
{}
)5(),4(),3(),2(),1()1()1()1()1()1()1(z z z z z Z =
()718.14,84.11,820.7,513.4,874.2=
于是，
??????????----=
?????
?
??????----=1718.14184
.111820.71513.41)5(1)
4(1)3(1)
2()1()
1()1()1(z z z z B ，??????????=?????
???????=679.3390.3337.3278.3)5()4()3()2()0()0()0()0(x x x x Y ??
??
?
?????----???????----=T 1718.14184.111820.71513.41111718.14184.11820.7513.4B B
??
????--=4235.38235.38221.423
??????==??????--=--T
832371.11665542.0165542.0017318.04235.38235.38221.423)(1
1
B B ??
???
???????????
????=??????-?=221.423235.38235.384969.2301221.423235.38235.384235.384221.42312
??
???????????????----???????==T -T 679.3390.3337.3278.31111718.14184.11820.7513.4832371.11665542.0165542.0017318.0)(?1Y B B B a
??
??
?
????????????---=679.3390.3337.3278.3604076.10019051.0537833.0085280.1089344.0028143.0030115.0087386.0 ??
????-=065318.3037156.0 3）确定模型
065318.3037156.0)1()
1(=-x dt
dx 及时间响应式
a b
e a b x k x
ak +-=+-))1(()1(?)0()1( 4986.823728
.85037156.0-=k e 4)求)
1(X 的模拟值
{}
)5(?),4(?),3(?),2(?),1(??)1()1()1()1()1()1(x x x x x X
= =(2.8740,6.1058,9.4599,12.9410,16.5538)
5)还原出)
0(X 的模拟值，由
)(?)1(?)1(?)1()1()0(k x k x k x
-+=+ 得 {
})5(?),4(?),3(?),2(?),1(??)0()0()0()0()0()0(x x x x x X
=
=（2.8740，3.2318，3.3541，3.4811，3.6128）
6）误差检验
表2 残差与相对误差计算结果 序号 实际数据 模拟数据 残差
相对误差
)()0(k x )(?)0(k x
)(?)()()0()0(k x
k x k -=ε )
()
()0(k x k k ε=
?
2 3.278 3.2318 0.0462
1.41% 3 3.337 3.3541 -0.0171 0.51% 4 3.390 3.4811 -0.0911
2.69% 5
3.679 3.6128
0.0662
1.80%
① 平均相对误差
%)80.1%69.2%51.0%41.1(4
1
4151+++=?=?∑=k k
=1.0625%…………（参考表1，1级）
② 计算X 与X
?的灰色关联度 ))1()5((21)1()((4
2
x x x k x S k -+-=
∑= =)874.2679.3(2
1
)874.2390.3()874.2337.3()874.2278.3(-+
-+-+- 0.40250.5160.4630.404+++=
=1.7855
)1(?)5(?(2
1
)1(?)(?(?4
2
x x x k x
S
k -+-=∑= )874.26128.3(2
1
)874.24811.3()874.23541.3()874.22318.3(-+-+-+-=
3694.06071.04801.03578.0+++=
=1.8144
[][]∑
=---+---=-4
2
))1(?)5(?())1()5((2
1
))1(?)(?())1()((?k x x x x x k x x k x S S
)4025
.03694.0(2
1
)516.06071.0()463.04801.0()404.03578.0(-+-+-+-=01655
.0091.00171.00462.0-++-= =0.04535
64525
.45999
.404535.08144.17855.118144.17855.11??1?1=+++++=
-+++++=
S S S
S S S ε
=0.9902＞0.90…………（参考表1，为1级）
综合：精度为一级，可以用
4986.823728.85)1(?037156.0)1(-=+k e k x
其中，)(?)1(?)1(?)1()1()0(k x k x k x
-+=+预测。
6.GM(1,1)模型的特点总结
GM(1,1)是一种长期预测模型，在没有大的市场波动及政策性变化的前提下，该预测值应是可信的。在采用灰色系统理论进行定量预测时，如果存在对预测对象影响较大的因素，就要在定性分析的基础上，寻找原始数据信息的突变点的量化值，然后再对预测值进行必要的修正，使预测值更接近实际情况，提高预测值的可信度，为科学决策提供可靠的数据。另外，若作长期预测，要考虑对上限值的约束条件。
应用灰色预测模型GM(1,1)进行预测较之其它常规的时间序列预测法有以下显著的特点。
(1)灰色模型是一种长期预测模型，将预测系统中的随机元素作为灰色数据进行处理，而找出数据的内在规律。进行预测所需原始数据量小，预测精度较高，无须像其它预测法要么需要数据量大且规律性强，要么需要凭经验给出系数。
(2)理论性强，计算方便，籍助计算机及其程序设计语言或相关软件间接计算，使得数据处理简便、快速、准确性好。
(3)用有限的表征系统行为特征的外部元素，分析系统的内在规律。灰色系统理论采用对系统的行为特征数据进行生成的方法，对杂乱无章的系统的行为特征数据进行处理，从杂乱无章的现像中发现系统的内在规律，这是该方法的独特之处。
(4)适用性强。用灰色模型既可对周期性变化的系统行为进行预测，亦可对非周期性变化的系统行为进行预测；既可进行宏观长期的预测，亦可用于微观短期的预测。
实验四 1． 实验项目名称 灰色系统预测模型 2．实验目的 要求掌握灰色系统检验方法，尤其是GM(1.1)模型 2． 实验环境 使用灰色系统理论建模软件 4．实验内容与实验步骤 1.灰色预测时关于残差、关联度、方差比和小误差概率的检验准则 M(1,1)模型的检验分为三个方面：残差检验；关联度检验；后验差检验。 （1）残差检验：对模型值和实际值的残差进行逐点检验。首先按模型计算(1)?(1)x i +，将(1)?(1)x i +累减生成(0)?()x i ，最后计算原始序列(0)()x i 与(0)?()x i 的绝对残差序列及相对残差序列，并计算平均相对残差。给定α，当φα<，且n φα<成立时，称模型为残差合格模型。 （2）关联度检验:即通过考察模型值曲线和建模序列曲线的相似程度进行检验。按前面所述 的关联度计算方法，计算出 (0) ?()x i 与原始序列(0)()x i 的关联系数，然后算出关联度，根据经验，关联度大于0.6便是满意的。 （3）后验差检验:即对残差分布的统计特性进行检验。若对于给定的00C >，当 0C C <时， 称模型为均方差比合格模型；如对给定的 00P >，当0P P >时，称模型为小残差概率合格 模型。若相对残差、关联度、后验差检验在允许的范围内，则可以用所建的模型进行预测，否则应进行残差修正。 2.实验的基本程序、基本步骤和运行结果 现在已知我国从2002年-2013年的每年的专利申请量的数据，试建立灰色预测模型并且预测2014年我国的专利申请量的情况。 2.1在excel 表格中输入以下数据
2.2计算并累加 设时间序列为 X(0)=（x(0)(1), x(0)(2), x(0)(3)，x(0)(4)………………………………. x(0)(12)）=（205396，251238，278943，345074…………… 1505574） 计算并累加 X(0)的1-AGO序列为(累加) (1)(1)(1)(1)(1)x(1)(12)）得到下图 2.3对X(1)做紧邻均值生成 令Z(1)（k）=（0.5x(1)(K)+0.5X(1)(K-1)），k=1,2,3,4…….13;
灰色预测模型的Matlab 程序及检验程序 %灰色预测模型程序 clear syms a b; c=[a b]'; A=[46.2 32.6 26.7 23.0 20.0 18.9 17.5 16.3];% 原始序列 B=cumsum(A);%累加n=length(A); for i=1:(n-1) C(i)=(B(i)+B(i+1))/2; end %计算待定参数 D=A; D(1)=[]; D=D'; E=[-C; ones(1,n-1)]; c=inv(E*E')*E*D; c=c'; a=c(1); b=c(2); %预测往后预测5个数据 F=[];F(1)=A(1); for i=2:(n+5) F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a; end G=[];G(1)=A(1); for i=2:(n+5) G(i)=F(i)-F(i-1); end t1=2002:2009; t2=2002:2014; G plot(t1,A,'o',t2,G) %灰色预测模型检验程序 function [ q,c,p ] = checkgm( x0,x1 ) %GM 检验函数 %x0 原始序列
%x1 预测序列 %·返回值 % q –- 相对误差 % c -- ·方差比 % p -- 小误差概率 e0=x0-x1; q=e0/x0; s1=var(x0); %qpa=mean(e0); s2=var(e0); c=s2/s1; len=length(e0); p=0; for i=1:len if(abs(e0(i)) < 0.6745*s1) p=p+1; end end p=p/len; end
数学模型与数学实验数 课程报告 题目：灰色预测模型介绍专业： 班级： 姓名： 学号： 二0一一年六月
1. 模型功能介绍 预测模型为一元线性回归模型，计算公式为Y=a+b。一元非线性回归模型：Y=a+blx+b2x2+…+bmxm。式中：y为预测值；x为自变量的取值；a,b1,b2……bm为回归系数。当自变量x与因变量y之间的关系是直线上升或下降时，可采用一元线性预测模型进行预测。当自变量x和因变量y之间呈曲线上升或下降时，可采用一元非线性预测模型中的y=a+b1x+b2x2+…+bmxm这个预测模型。当自变量x和因变量y之间关系呈上升一下降一再上升一再下降这种重复关系时，可采用一元线性预测模型中的Y=a+bx这个模型来预测。其中我要在这里介绍灰色预测模型。 灰色预测是就灰色系统所做的预测，灰色系统(Grey System)理论[]1是我国著名学者邓聚 龙教授20世纪80年代初创立的一种兼备软硬科学特性的新理论［95］96］。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。 灰色系统的基本原理 公理1：差异信息原理。“差异”是信息，凡信息必有差异。 公理2：解的非唯一性原理。信息不完全，不明确地解是非唯一的。 公理3：最少信息原理。灰色系统理论的特点是充分开发利用已有的“最少信息”。 公理4：认知根据原理。信息是认知的根据。 公理5：新信息优先原理。新信息对认知的作用大于老信息。 公理6：灰性不灭原理。“信息不完全”是绝对的。 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。 灰色预测模型实际上是一个微分方程, 称为GM模型。GM（1，N）[]1表示1阶的，N个 变量的微分方程型模型；则是1阶的,1个变量的微分方程型模型。在实际进行预测时, 一般选用GM(1,1) 模型, 因为这种模型求解较易, 计算量小, 计算时间短, 精度较高。 现在下面简单介绍有关于灰色预测的相关知识点： 为了弱化原始时间序列的随机性 在建立灰色预测模型之前，需先对原始时间序列进行数据处理，经过数据处理后的时间序列即称为生成列。灰色系统常用的数据处理方式有累加和累减两种。 关联度]1[
灰色预测模型原理 综合预测模型（ 灰色预测模型 (1,1)GM ） 为了是更准确的反映市场实际需求情况，我们建立综合预测模型，利用灰色模型 (1,1)GM 对平均销量做确定性增长趋势进行预测。 我们将时间序列2001—2005的实际销量值 (0)t X 累加处理生成新序列(1)t X ，则GM （1，1）模型相应的微分方程为： (1)(1)t t dX X dt αμ+= (20012005t =年 其中 α 为发展灰数 μ 为内生控制灰数 同时通过α?待估参数向量，?ααμ ??= ??? ，利用最小二乘法求解。解得： ()1?T T B B B Y α-= 矩阵B 为 (1)t X 取累加平均值所得 矩阵Y 为 (0)t X 转置矩阵 求解微分方程，即可得预测模型： ()()1011?t t X X e αμμαα-+??=-+???? ，(20012005)t =年 灰色模型算法描述： Step1. 累加处理生成新序列(1)t X Step2. 迭代计算出矩阵B 迭代计算 (1)(1)12t t t X X V ++= (20012004)t =年
得到 11,2111t t V B V --????=?????? Step3. 生成矩阵Y (0)1t t V X += ( 20012004t =年 T t t Y V = Step4. 计算系数矩阵α ? ()1 ?T T B B B Y α-= 解得,αμ Step5. 由得到的灰数,αμ 解微分方程 ()()1011?t t X X e αμμαα-+??=-+??? ? 即 预测出2006年的书号的平均销售量 Step6. 灰色模型残差检验
灰色预测模型理论及其应用 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. 灰色预测模型只需要较少的观测数据即可，这和时间序列分析，多元回归分析等需要较多数据的统计模型不一样. 因此，对于只有少量观测数据的项目来说，灰色预测是一种有用的工具.本文主要围绕灰色预测GM(1,1)模型及其应用进行展开。 一、灰色系统及灰色预测的概念 灰色系统 灰色系统产生于控制理论的研究中。 若一个系统的内部特征是完全已知的，即系统的信息是充足完全的，我们称之为白色系统。 若一个系统的内部信息是一无所知，一团漆黑，只能从它同外部的联系来观测研究，这种系统便是黑色系统。 灰色系统介于二者之间，灰色系统的一部分信息是已知的，一部分是未知的。 区别白色和灰色系统的重要标志是系统各因素间是否有确定的关系。 特点：灰色系统理论以“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定型系统的研究对象。 灰色预测 灰色系统分析方法是通过鉴别系统因素之间发展趋势的相似或相异程度，即进行关联度分析，并通过对原始数据的生成处理来寻求系统变动的规律。生成数据序列有较强的规律性，可以用它来建立相应的微分方程模型，从而预测事物未来的发展趋势和未来状态。灰色预测是用灰色模型GM(1,1)来进行定量分析的，通常分为以下几类： (1) 灰色时间序列预测。用等时距观测到的反映预测对象特征的一系列数量（如产量、销量、人口数量、存款数量、利率等）构造灰色预测模型，预测未来某一时刻的特征量，或
灰色预测模型matlab程序 %下面程序是灰色模型GM(1,1)程序二次拟合和等维新陈代谢改进预测程序,mat lab6.5 ,使用本程序请注明，程序存储为gm1.m %x = [5999,5903,5848,5700,7884];gm1(x); 测试数据 %二次拟合预测GM(1,1)模型 function gmcal=gm1(x) sizexd2 = size(x,2); %求数组长度 k=0; for y1=x k=k+1; if k>1 x1(k)=x1(k-1)+x(k); %累加生成 z1(k-1)=-0.5*(x1(k)+x1(k-1)); %z1维数减1，用于计算B yn1(k-1)=x(k); else x1(k)=x(k); end end %x1,z1,k,yn1 sizez1=size(z1,2); %size(yn1); z2 = z1'; z3 = ones(1,sizez1)'; YN = yn1'; %转置 %YN B=[z2 z3]; au0=inv(B'*B)*B'*YN; au = au0'; %B,au0,au
ufor = au(2); ua = au(2)./au(1); %afor,ufor,ua %输出预测的 a u 和 u/a的值 constant1 = x(1)-ua; afor1 = -afor; x1t1 = 'x1(t+1)'; estr = 'exp'; tstr = 't'; leftbra = '('; rightbra = ')'; %constant1,afor1,x1t1,estr,tstr,leftbra,rightbra strcat(x1t1,'=',num2str(constant1),estr,leftbra,num2str(afor1),tstr,r ightbra,'+',leftbra,num2str(ua),rightbra) %输出时间响应方程 %****************************************************** %二次拟合 k2 = 0; for y2 = x1 k2 = k2 + 1; if k2 > k else ze1(k2) = exp(-(k2-1)*afor); end end %ze1 sizeze1 = size(ze1,2); z4 = ones(1,sizeze1)'; G=[ze1' z4]; X1 = x1'; au20=inv(G'*G)*G'*X1; au2 = au20'; %z4,X1,G,au20
数学建模之灰色预测模 型 WEIHUA system office room 【WEIHUA 16H-WEIHUA WEIHUA8Q8-
一、灰色预测模型 简介（P372） 特点：模型使用的不是原始数据列，而是生成的数据列。 优点：不需要很多数据，一般只用4个数据就能解决历史数据少，序列的完整性和可靠性低的问题。 缺点：只适用于中短期的预测和指数增长的预测。 1、GM(1,1)预测模型 GM(1,1)表示模型为一阶微分方程，且只含有一个变量的灰色模型。 模型的应用 ①销售额预测 ②交通事故次数的预测 ③某地区火灾发生次数的预测 ④灾变与异常值预测，如对旱灾，洪灾，地震等自然灾害的时间与程度进行预报。（百度文库） ⑤基于GM(1,1)模型的广州市人口预测与分析（下载的文档） ⑥网络舆情危机预警（下载的文档） 步骤 ①级比检验与判断 由原始数据列(0)(0)(0)(0)((1),(2),,())x x x x n =计算得序列的级比为 (0)(0)(1)(),2,3, ,.() x k k k n x k λ-== 若序列的级比()k λ∈ 221 2 (,)n n e e -++Θ=，则可用(0)x 作令人满意的GM(1,1)建模。 光滑比为 (0)1 (0) 1 () ()() k i x k p k x i -== ∑ 若序列满足 [](1) 1,2,3,,1;() ()0,,3,4, ,;0.5. p k k n p k p k k n ??+<=-∈=<
则序列为准光滑序列。 否则，选取常数c 对序列(0)x 做如下平移变换 (0)(0)()(),1,2, ,,y k x k c k n =+= 序列(0)y 的级比 0(0)(1) (),2,3, ,.() y y k k k n y k λ-=∈Θ= ②对原始数据(0)x 作一次累加得 (1)(1)(1)(1)(0)(0)(0)(0)(0)((1),(2),,())(11+(2),,(1)()).x x x x n x x x x x n ==++（），（） 建立模型: (1) (1),dx ax b dt += （1） ③构造数据矩阵B 及数据向量Y (1)(1)(1)(2)1(3)1,()z z B z n ??- ??- ? ?=?? ????- 1??(0)(0)(0)(2)3()x x Y x n ??????=?? ?? ???? （） 其中：(1)(1)(1()0.5()0.5(1),2,3,,.z k x k x k k n =+-=） ④由 1??()?T T a u B B B Y b -??==???? 求得估计值?a = ?b = ⑤由微分方程（1）得生成序列预测值为 ? (1) (0)???(1)(1)k 0,1,,1,,??ak b b x k x e n a a -??+=-+=- ? ??? ， 则模型还原值为 (0)(1)(1)???(1)(1),1,2,,1,.x k x k x k n +=+-=- ⑥精度检验和预测 残差 (0)(0)?()()(),1,2,,,k x k x k k n ε=-=
灰色系统预测 重点内容：灰色系统理论的产生和发展动态，灰色系统的基本概念，灰色系统与模糊数学、黑箱方法的区别，灰色系统预测GM （1，1）模型，GM（1，N）模型，灰色系统模型的检验，应用举例。 1灰色系统理论的产生和发展动态 1982邓聚龙发表第一篇中文论文《灰色控制系统》标志着灰色系统这一学科诞生。 1985灰色系统研究会成立，灰色系统相关研究发展迅速。 1989海洋出版社出版英文版《灰色系统论文集》，同年，英文版国际刊物《灰色系统》杂志正式创刊。目前，国际、国内200多种期刊发表灰色系统论文，许多国际会议把灰色系统列为讨论专题。国际著名检索已检索我国学者的灰色系统论著500多次。灰色系统理论已应用范围已拓展到工业、农业、社会、经济、能源、地质、石油等众多科学领域，成功地解决了生产、生活和科学研究中的大量实际问题，取得了显著成果。 2灰色系统的基本原理 2.1灰色系统的基本概念 我们将信息完全明确的系统称为白色系统，信息未知的系统称为黑色系统，部分信息明确、部分信息不明确的系统称为灰色系统。系统信息不完全的情况有以下四种： 1.元素信息不完全 2.结构信息不完全 3.边界信息不完全 4.运行行为信息不完全 2.2灰色系统与模糊数学、黑箱方法的区别 主要在于对系统内涵与外延处理态度不同； 研究对象内涵与外延的性质不同。 灰色系统着重外延明确、内涵不明确的对象，模糊数学着重外延不明确、内涵明确的对象。 “黑箱”方法着重系统外部行为数据的处理方法，是因果关系的两户方法，使扬外延而弃内涵的处理方法，而灰色系统方法是外延内涵均注重的方法。
2.3灰色系统的基本原理 公理1：差异信息原理。“差异”是信息，凡信息必有差异。 公理2：解的非唯一性原理。信息不完全，不明确地解是非唯一的。 公理3：最少信息原理。灰色系统理论的特点是充分开发利用已有的“最少信息”。 公理4：认知根据原理。信息是认知的根据。 公理5：新信息优先原理。新信息对认知的作用大于老信息。 公理6：灰性不灭原理。“信息不完全”是绝对的。 2.4灰色系统理论的主要内容 灰色系统理论经过10多年的发展，已基本建立起了一门新兴学科的结构体系，其主要内容包括以“灰色朦胧集”为基础的理论体系、以晦涩关联空间为依托的分析体系、以晦涩序列生成为基础的方法体系，以灰色模型（G ，M ）为核心的模型体系。以系统分析、评估、建模、预测、决策、控制、优化为主体的技术体系。 灰色关联分析 灰色统计 灰色聚类 3灰色系统预测模型 灰色预测方法的特点表现在：首先是它把离散数据视为连续变量在其变化过程中所取的离散值，从而可利用微分方程式处理数据；而不直接使用原始数据而是由它产生累加生成数，对生成数列使用微分方程模型。这样，可以抵消大部分随机误差，显示出规律性。 3.1灰色系统理论的建模思想 下面举一个例子，说明灰色理论的建模思想。考虑4个数据，记为)4(),3(),2(),1()0()0()0()0(
灰色系统预测模型GM(1,1)的基本思想与实现过程 邓聚龙，jq ，佚名 摘要：从灰色系统的预备知识、灰色系统预测模型GM(1,1)的计算、灰色系统预测模型的检验、GM(1,1)预测应用举例以及GM(1,1)模型的特点等五个方面阐述了灰色系统预测模型GM(1,1)的基本思想与实现过程，这对于地理科学本科生学会运用该方法解决实际的地理预测问题，改进思维方式，提高实践能力具有一定的意义。 关键词：预测；灰色系统；模型检验；模型特点 1 预备知识 1.1 灰色系统 白色系统是指系统内部特征是完全已知的；黑色系统是指系统内部信息完全未知的；而灰色系统是介于白色系统和黑色系统之间的一种系统，灰色系统其内部一部分信息已知，另一部分信息未知或不确定。 1.2 灰色预测 灰色预测，是指对系统行为特征值的发展变化进行的预测，对既含有已知信息又含有不确定信息的系统进行的预测，也就是对在一定范围内变化的、与时间序列有关的灰过程进行 预测。尽管灰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，因此得到的数据集合具备潜在的规律。灰色预测是利用这种规律建立灰色模型对灰色系统进行预测。 目前使用最广泛的灰色预测模型就是关于数列预测的一个变量、一阶微分的GM(1,1)模型。它是基于随机的原始时间序列，经按时间累加后所形成的新的时间序列呈现的规律可用一阶线性微分方程的解来逼近。经证明，经一阶线性微分方程的解逼近所揭示的原始时间序列呈指数变化规律。因此，当原始时间序列隐含着指数变化规律时，灰色模型GM(1,1)的预测是非常成功的。 2 灰色系统预测模型GM(1,1) 2.1 GM(1,1)的一般形式 设有变量X (0)＝{X (0)(i)，i=1,2，...，n}为某一预测对象的非负单调原始数据列，为建立灰色预测模型：首先对X (0)进行一次累加(1—AGO, Acumulated Generating Operator)生成一次累加序列： X (1)＝{X (1)(k )，k ＝1，2，…，n} 其中 X (1) (k )＝ ∑ =k i 1 X (0)(i) ＝X (1)(k －1)+ X (0)(k ) (1) 对X (1)可建立下述白化形式的微分方程：
%x=[1019,1088,1324,1408,1601];gm1(x); 测试数据%二次拟合预测GM(1,1)模型 function gmcal=gm1(x) if nargin==0 x=[1019,1088,1324,1408,1601] end format long g sizex=length(x); %求数组长度 k=0; for y1=x k=k+1; if k>1 x1(k)=x1(k-1)+x(k); %累加生成 z1(k-1)=-0.5*(x1(k)+x1(k-1)); %z1维数减1，用于计算B yn1(k-1)=x(k); else x1(k)=x(k); end end %x1,z1,k,yn1 sizez1=length(z1); %size(yn1); z2 = z1'; z3 = ones(1,sizez1)'; YN = yn1'; %转置 %YN B=[z2 z3]; au0=inv(B'*B)*B'*YN; au = au0'; %B,au0,au afor = au(1); ufor = au(2); ua = au(2)./au(1); %afor,ufor,ua %输出预测的 a u 和 u/a的值 constant1 = x(1)-ua; afor1 = -afor; x1t1 = 'x1(t+1)'; estr = 'exp'; tstr = 't'; leftbra = '(';
rightbra = ')'; %constant1,afor1,x1t1,estr,tstr,leftbra,rightbra strcat(x1t1,'=',num2str(constant1),estr,leftbra,num2str(afor1),tstr,rightbra,'+ ',leftbra,num2str(ua),rightbra) %输出时间响应方程 %****************************************************** %二次拟合 k2 = 0; for y2 = x1 k2 = k2 + 1; if k2 > k else ze1(k2) = exp(-(k2-1)*afor); end end %ze1 sizeze1=length(ze1); z4 = ones(1,sizeze1)'; G=[ze1' z4]; X1 = x1'; au20=inv(G'*G)*G'*X1; au2 = au20'; %z4,X1,G,au20 Aval = au2(1); Bval = au2(2); %Aval,Bval %输出预测的 A,B的值 strcat(x1t1,'=',num2str(Aval),estr,leftbra,num2str(afor1),tstr,rightbra,'+',lef tbra,num2str(Bval),rightbra) %输出时间响应方程 nfinal = sizex-1 + 1;（其中+1可改为+5等其他数字，即可预测更多的数字） %决定预测的步骤数5 这个步骤可以通过函数传入 %nfinal = sizexd2 - 1 + 1; %预测的步骤数 1 for k3=1:nfinal x3fcast(k3) = constant1*exp(afor1*k3)+ua; end %x3fcast %一次拟合累加值 for k31=nfinal:-1:0 if k31>1 x31fcast(k31+1) = x3fcast(k31)-x3fcast(k31-1); else if k31>0
一、灰色预测模型 简介（P372） 特点：模型使用的不是原始数据列，而是生成的数据列。 优点：不需要很多数据，一般只用4个数据就能解决历史数据少，序列的完整性和可靠性低的问题。 缺点：只适用于中短期的预测和指数增长的预测。 1、GM(1,1)预测模型 GM(1,1)表示模型为一阶微分方程，且只含有一个变量的灰色模型。 模型的应用 ①销售额预测 ②交通事故次数的预测 ③某地区火灾发生次数的预测 ④灾变与异常值预测，如对旱灾，洪灾，地震等自然灾害的时间与程度进行预报。（百度文库） ⑤基于GM(1,1)模型的广州市人口预测与分析（下载的文档） ⑥网络舆情危机预警（下载的文档） 步骤 ①级比检验与判断 由原始数据列(0)(0)(0)(0)((1),(2),,())x x x x n =计算得序列的级比为 (0)(0)(1)(),2,3, ,.() x k k k n x k λ-== 若序列的级比()k λ∈ 221 2 (,)n n e e -++Θ=，则可用(0)x 作令人满意的GM(1,1)建 模。 光滑比为 (0)1 (0) 1 () ()() k i x k p k x i -== ∑ 若序列满足
[](1) 1,2,3,,1;() ()0,,3,4, ,;0.5. p k k n p k p k k n ??+<=-∈=< 则序列为准光滑序列。 否则，选取常数c 对序列(0)x 做如下平移变换 (0)(0)()(),1,2, ,,y k x k c k n =+= 序列(0)y 的级比 0(0)(1) (),2,3, ,.() y y k k k n y k λ-=∈Θ= ②对原始数据(0)x 作一次累加得 (1)(1)(1)(1)(0)(0)(0)(0)(0)((1),(2),,())(11+(2),,(1)()).x x x x n x x x x x n ==++（），（） 建立模型: (1) (1),dx ax b dt += （1） ③构造数据矩阵B 及数据向量Y (1)(1)(1)(2)1(3)1,()z z B z n ??- ??- ? ?=?? ????- 1??(0)(0)(0)(2)3()x x Y x n ??????=?? ?? ???? （） 其中：(1)(1)(1()0.5()0.5(1),2,3,,.z k x k x k k n =+-=） ④由 1??()?T T a u B B B Y b -??==???? 求得估计值?a = ?b = ⑤由微分方程（1）得生成序列预测值为 ? (1) (0)???(1)(1)k 0,1,,1,,??ak b b x k x e n a a -??+=-+=- ? ??? ， 则模型还原值为
1.1.5 两岸间液体化工品贸易前景预测 从上述分析可见，两岸间液体化工品贸易总体上呈现上升的增长趋势。然而，两岸间的这类贸易受两岸关系、特别是台湾岛内随机性政治因素影响很大。因此，要对这一贸易市场今后发展的态势做出准确的定量判断是相当困难的；但从另一方面来说，按目前两岸和平交往的常态考察，贸易作为两岸经济与贸易交往的一个有机组成部分，其一般演化态势有某些规律可寻的。故而，我们可以利用其内在的关联性，通过选取一定的数学模型和计算方法，对之作一些必要的预测。 鉴此，本研究报告拟采用一定的预测技术，借助一定的计算软件，对今后10余年间大陆从台湾进口液化品贸易量作一个初步的预测。 (1) 模型的选择 经认真考虑，我们选取了灰色系统作为预测的技术手段，因为两岸化工品贸易具有的受到外界的因素影响大和受调查条件限制数据采集很难完全的两大特点，正好符合灰色系统研究对象的主要特征，即“部分信息已知，部分信息未知”的不确定性。灰色系统理论认为，对既含有已知信息又含有未知信息或不确定信息的系统进行预测，就是在一定方位内变化的、与时间有关的灰色过程进行的预测。尽管这一过程中所显示的现象是随机的，但毕竟是有序的，因此这一数据集合具有潜在的规律。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。 本报告以灰色预测模型，对两岸间化工品贸易进行的预测如下： 灰色预测模型预测的一般过程为： ① 一阶累加生成（1-AGO ） 设有变量为) 0(X 的原始非负数据序列 )0(X =[)1()0(x ,)2()0(x ,…)() 0(n x ] （1.1） 则) 0(X 的一阶累加生成序列 )1(X =[)1()1(x ,)2()1(x …)() 1(n x ] （1.2） 式中 ) ()(1)0() 1(i x k x k i ∑== k=1,2…n ② 对) 0(X 进行准光滑检验和对进行准指数规律检验
灰色预测模型的Matlab程序及检验程序%灰色预测模型程序 clear syms a b; c=[a b]'; A=[46.232.626.723.020.018.917.516.3];%原始序列B=cumsum(A);%累加 n=length(A); for i=1:(n-1) C(i)=(B(i)+B(i+1))/2; end %计算待定参数 D=A; D(1)=[]; D=D'; E=[-C;ones(1,n-1)]; c=inv(E*E')*E*D; c=c'; a=c(1); b=c(2); %预测往后预测5个数据 F=[];F(1)=A(1); for i=2:(n+5) F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a; end G=[];G(1)=A(1); for i=2:(n+5) G(i)=F(i)-F(i-1); end t1=2002:2009; t2=2002:2014; G plot(t1,A,'o',t2,G) %灰色预测模型检验程序 function[q,c,p]=checkgm(x0,x1) %GM检验函数 %x0原始序列 %x1预测序列 %·返回值
%q–-相对误差 %c--·方差比 %p--小误差概率 e0=x0-x1; q=e0/x0; s1=var(x0); %qpa=mean(e0); s2=var(e0); c=s2/s1; len=length(e0); p=0; for i=1:len if(abs(e0(i))<0.6745*s1) p=p+1; end end p=p/len; end 等级相对误差q方差比C小误差概论P I级<0.01<0.35>0.95 II级<0.05<0.50<0.80 III级<0.10<0.65<0.70 IV级>0.20>0.80<0.60
灰色预测模型matlab程序 灰色模型预测是在数据不呈现一定规律下可以采取的一种建模和预测方法，其预测数据与原始数据存在一定的规律相似性 %下面程序是灰色模型GM(1,1)程序二次拟合和等维新陈代谢改进预测程序,mat lab6.5 ,使用本程序请注明，程序存储为gm1.m %x = [5999,5903,5848,5700,7884];gm1(x); 测试数据 %二次拟合预测GM(1,1)模型 function gmcal=gm1(x) sizexd2 = size(x,2); %求数组长度 k=0; for y1=x k=k+1; if k>1 x1(k)=x1(k-1)+x(k); %累加生成 z1(k-1)=-0.5*(x1(k)+x1(k-1)); %z1维数减1，用于计算B yn1(k-1)=x(k); else x1(k)=x(k); end end %x1,z1,k,yn1 sizez1=size(z1,2); %size(yn1); z2 = z1'; z3 = ones(1,sizez1)'; YN = yn1'; %转置 %YN B=[z2 z3]; au0=inv(B'*B)*B'*YN;
%B,au0,au afor = au(1); ufor = au(2); ua = au(2)./au(1); %afor,ufor,ua %输出预测的 a u 和 u/a的值 constant1 = x(1)-ua; afor1 = -afor; x1t1 = 'x1(t+1)'; estr = 'exp'; tstr = 't'; leftbra = '('; rightbra = ')'; %constant1,afor1,x1t1,estr,tstr,leftbra,rightbra strcat(x1t1,'=',num2str(constant1),estr,leftbra,num2str(afor1),tstr,r ightbra,'+',leftbra,num2str(ua),rightbra) %输出时间响应方程 %****************************************************** %二次拟合 k2 = 0; for y2 = x1 k2 = k2 + 1; if k2 > k else ze1(k2) = exp(-(k2-1)*afor); end end %ze1 sizeze1 = size(ze1,2); z4 = ones(1,sizeze1)'; G=[ze1' z4]; X1 = x1'; au20=inv(G'*G)*G'*X1;
灰色预测模型理论及其 应用 Document number【980KGB-6898YT-769T8CB-246UT-18GG08】
灰色预测模型理论及其应用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. 灰色预测模型只需要较少的观测数据即可，这和时间序列分析，多元回归分析等需要较多数据的统计模型不一样. 因此，对于只有少量观测数据的项目来说，灰色预测是一种有用的工具.本文主要围绕灰色预测GM(1,1)模型及其应用进行展开。 一、灰色系统及灰色预测的概念 灰色系统 灰色系统产生于控制理论的研究中。 若一个系统的内部特征是完全已知的，即系统的信息是充足完全的，我们称之为白色系统。 若一个系统的内部信息是一无所知，一团漆黑，只能从它同外部的联系来观测研究，这种系统便是黑色系统。 灰色系统介于二者之间，灰色系统的一部分信息是已知的，一部分是未知的。 区别白色和灰色系统的重要标志是系统各因素间是否有确定的关系。 特点：灰色系统理论以“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定型系统的研究对象。 灰色预测 灰色系统分析方法是通过鉴别系统因素之间发展趋势的相似或相异程度，即进行关联度分析，并通过对原始数据的生成处理来寻求系统变动的规律。生成数据序列有较强的规律性，可以用它来建立相应的微分方程模型，从而预测事物未来的发展趋势和未来状态。灰色预测是用灰色模型GM(1,1)来进行定量分析的，通常分为以下几类： (1) 灰色时间序列预测。用等时距观测到的反映预测对象特征的一系列数量（如产量、销量、人口数量、存款数量、利率等）构造灰色预测模型，预测未来某一时刻的特征量，或者达到某特征量的时间。 (2) 畸变预测（灾变预测）。通过模型预测异常值出现的时刻，预测异常值什么时候出现在特定时区内。 (3) 波形预测，或称为拓扑预测，它是通过灰色模型预测事物未来变动的轨迹。 (4) 系统预测，是对系统行为特征指标建立一族相互关联的灰色预测理论模型，在预测系统整体变化的同时，预测系统各个环节的变化。 上述灰预测方法的共同特点是： （1）允许少数据预测； （2）允许对灰因果律事件进行预测，比如
管理预测与决策的课程设计报告 灰色系统理论的研究 专业：计算机信息管理 姓名：XXX 班级：xxx 学号：XX 指导老师：XXX 日期2012年11月01 日
摘要：科学地预测尚未发生的事物是预测的根本目的和任务。无论个体还是组织，在制定和规划面向未来的策略过程中，预测都是必不可少的重要环节，它是科学决策的重要前提。在众多的预测方法中，灰色预测模型自开创以来一直深受许多学者的重视，它建模不需要太多的样本，不要求样本有较好的分布规律，计算量少而且有较强的适应性，灰色模型广泛运用于各种领域并取得了辉煌的成就。本文详细推导GM（1,1）模型， 另外对灰关联度进行了进一步的改进，让改进的计算式具有唯一性和规范性[]4。通过给 出的实例高校传染病发病率情况，建立了GM(1,1)预测模型，并预测了1993年的传染病发病率。另外对传染病发病率较高的痢疾、肝炎、疟疾三种疾病做了关联度分析，发现痢疾与整个传染病关系最密切，而肝炎、疟疾与整个传染病的密切程度依次差些。 关键词：灰色预测模型；灰关联度；灰色系统理论
目录 1、引言 (1) 1.1、研究背景 (1) 1.1.1、国内研究现状 (1) 1.1.2、国外研究现状 (1) 1.2、研究意义 (1) 2、灰色系统及灰色预测的概念 (2) 2.1、灰色系统理论发展概况 (2) 2.1.1、灰色系统理论的提出 (2) 2.1.2、灰色系统理论的研究对象 (2) 2.1.3、灰色系统理论的应用范围 (2) 2.1.4、三种不确定性系统研究方法的比较分析 (3) 2.2、灰色系统的特点 (3) 2.3、常见灰色系统模型 (4) 2.4、灰色预测 (4) 3、简单的灰色预测——GM(1,1)预测 (5) 3.1、GM(1,1)预测模型的基本原理 (5) 4、小结 (8) 参考文献： (8)
灰色系统预测GM(1,1)模型及其Matlab 实现 预备知识 (1)灰色系统 白色系统是指系统内部特征是完全已知的；黑色系统是指系统内部信息完全未知的；而灰色系统是介于白色系统和黑色系统之间的一种系统，灰色系统其内部一部分信息已知，另一部分信息未知或不确定。 (2)灰色预测 灰色预测，是指对系统行为特征值的发展变化进行的预测，对既含有已知信息又含有不确定信息的系统进行的预测，也就是对在一定范围内变化的、与时间序列有关的灰过程进行 预测。尽管灰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，因此得到的数据集合具备潜在的规律。灰色预测是利用这种规律建立灰色模型对灰色系统进行预测。 目前使用最广泛的灰色预测模型就是关于数列预测的一个变量、一阶微分的GM(1,1)模型。它是基于随机的原始时间序列，经按时间累加后所形成的新的时间序列呈现的规律可用一阶线性微分方程的解来逼近。经证明，经一阶线性微分方程的解逼近所揭示的原始时间序列呈指数变化规律。因此，当原始时间序列隐含着指数变化规律时，灰色模型GM(1,1)的预测是非常成功的。 1 灰色系统的模型GM(1,1) 1.1 GM(1,1)的一般形式 设有变量X (0)＝{X (0)(i)，i=1,2，...，n}为某一预测对象的非负单调原始数据列，为建立灰色预测模型：首先对X (0)进行一次累加(1—AGO, Acumulated Generating Operator)生成一次累加序列： X (1)＝{X (1)(k )，k ＝1，2，…，n} 其中 X (1)(k )＝ ∑ =k i 1 X (0)(i) ＝X (1)(k －1)+ X (0)(k ) (1) 对X (1)可建立下述白化形式的微分方程： dt dX )1(十) 1(aX ＝u (2) 即GM(1,1)模型。 上述白化微分方程的解为(离散响应)： ∧ X (1)(k +1)＝(X (0)(1)－ a u )ak e -＋a u (3) 或 ∧ X (1)(k )＝(X (0)(1)－ a u ))1(--k a e ＋a u (4)
灰色预测模型matlab程序 %by allen @ 红嘴海鸥 %灰色模型预测是在数据不呈现一定规律下可以采取的一种建模和预测方法，其预测数据与原始数据存在一定的规律相似性 %下面程序是灰色模型GM(1,1)程序二次拟合和等维新陈代谢改进预测程序,matlab6.5 ,使用本程序请注明，程序存储为gm1.m %x = [5999,5903,5848,5700,7884];gm1(x); 测试数据 %二次拟合预测GM(1,1)模型 function gmcal=gm1(x) sizexd2 = size(x,2); %求数组长度 k=0; for y1=x k=k+1; if k>1 x1(k)=x1(k-1)+x(k); %累加生成 z1(k-1)=-0.5*(x1(k)+x1(k-1)); %z1维数减1，用于计算B yn1(k-1)=x(k); else x1(k)=x(k); end end %x1,z1,k,yn1 sizez1=size(z1,2); %size(yn1); z2 = z1'; z3 = ones(1,sizez1)'; YN = yn1'; %转置 %YN B=[z2 z3]; au0=inv(B'*B)*B'*YN; au = au0'; %B,au0,au afor = au(1); ufor = au(2); ua = au(2)./au(1); %afor,ufor,ua %输出预测的 a u 和 u/a的值 constant1 = x(1)-ua; afor1 = -afor; x1t1 = 'x1(t+1)';
estr = 'exp'; tstr = 't'; leftbra = '('; rightbra = ')'; %constant1,afor1,x1t1,estr,tstr,leftbra,rightbra strcat(x1t1,'=',num2str(constant1),estr,leftbra,num2str(afor1),tstr,rightbra,'+ ',leftbra,num2str(ua),rightbra) %输出时间响应方程 %****************************************************** %二次拟合 k2 = 0; for y2 = x1 k2 = k2 + 1; if k2 > k else ze1(k2) = exp(-(k2-1)*afor); end end %ze1 sizeze1 = size(ze1,2); z4 = ones(1,sizeze1)'; G=[ze1' z4]; X1 = x1'; au20=inv(G'*G)*G'*X1; au2 = au20'; %z4,X1,G,au20 Aval = au2(1); Bval = au2(2); %Aval,Bval %输出预测的 A,B的值 strcat(x1t1,'=',num2str(Aval),estr,leftbra,num2str(afor1),tstr,rightbra,'+',lef tbra,num2str(Bval),rightbra) %输出时间响应方程 nfinal = sizexd2-1 + 1; %决定预测的步骤数5 这个步骤可以通过函数传入 %nfinal = sizexd2 - 1 + 1; %预测的步骤数 1 for k3=1:nfinal x3fcast(k3) = constant1*exp(afor1*k3)+ua; end %x3fcast %一次拟合累加值 for k31=nfinal:-1:0 if k31>1