离散GM(1,1)模型与灰色预测模型建模机理

数学建模中的灰色方法在数学建模的过程中，常常遇到一些诸如：人在数学建模的过程中，常常遇到些诸如：人口模型、全国的物资调运、运输、生产销售等问题，其中有许多信息都无法确定，要建立这样的模型很困难。

量化分析方法大都是现有的系统分析方法—量化分析方法，大都是数理统计方法但这种方法多用于少因素的、线性的情形。

对于多因素的、非线性的则难以处理。

的情形对于多因素的非线性的则难以处理针对这些不足，邓聚龙教授创立了一种就数找数的方法，即灰色系统生成法。

创立灰色系统的数的方法即灰色系统生成法创立学科体系和灰色系统“概念与公理体系”，提出理论灰建模理论并创灰生成空间、灰关联空间理论、灰建模理论并创立灰预测理论及方法体系。

一、灰色系统.定义：系统作为一个包含若干相互关联、相互制约的任意种类元素组成的具有某种特定功能的整体系任意种类元素组成的具有某种特定功能的整体。

系统内部存在有物质流、信息流、能量流。

系统（根据信息明确程度）黑色系统（信息毫无所知或知之甚少）灰色系统（既含有已知信息又有未知信息）白色系统（信息完全明确）（）灰色系统公理：（一）灰色系统公理：1.信息不完全、不确定的解是非唯一的；（解的非唯一性原理）22.信息是认识的根据；（认识根据原理）3.灰色系统理论的特点是充分开发利用已占有的“最小信息”；最小信息原（最小信息原理）4.新信息对认识的作用大于老信息；（新信息优先原理）（二）灰色系统的描述：灰色系统用灰色参数、灰色方程、灰色矩阵、灰色度等综灰色系统用灰色参数灰色方程灰色矩阵灰色度等综合描述，其中灰数是灰色系统的基本单元。

1.灰色参数（灰数）灰数是那些只知道大概范围而不知其确切值的数（只知道部分数学特征而不知道具体数值的参数）（只知道部分数学特征，而不知道具体数值的参数）。

例如：“某人的身高约为170cm 、体重大致为60kg”，这里的“（约为））”“60”都是灰数这里的（约为）170（cm ）、60都是灰数，分别记为、。

GM(1,1)灰色预测模型IntroductionInitial给定原始序列：x(0) =(x(0)(1), x(0)(2), x(0)(3)…, x(0)(n))Step 1一次AGO(1-AGO)生成序列，以弱化原始序列的随机性和波动性：x(1) =(x(1)(1), x(1)(2), x(1)(3)…, x(1)(n)) Matlab Programclearsyms a b;c=[a b]';fid=fopen('.\Grey Model\test.txt');x0=fscanf(fid,'%f');x0=x0';fclose(fid);x1=cumsum(x0); %原始数据累加n=length(x0);for i=1:(n-1)z(i)=(x1(i)+x1(i+1))/2; %生成累加矩阵end%计算待定参数的值Y=x0;Y(1)=[];Y=Y';B=[-z;ones(1,n-1)];B=B';c=inv(B'*B)*B'*Y;c=c';a=c(1);b=c(2);%预测后续数据%预测之后10个时间单位的数据xx1=[];xx1(1)=x0(1);for i=2:(n+10)xx1(i)=(x0(1)-b/a)/exp(a*(i-1))+b/a; endxx0=[];xx0(1)=x0(1);Step 2(1) dx (1)dt+ax (1)(t )=u ，式中a, u 为待定系数。

灰微分方程模型为：x (0)(k )+az (1)(k )=u ，z 为背景值z (1)(k )=1/2(x (1)(k )+x (1)(k −1))(2) 构造矩阵B 和数据向量Y nY n =Ba ̂Y n =[ x (0)(2)x (0)(3)⋮x (0)(n )] , B =[ −1/2(x (1)(1)+x (1)(2)),−1/2(x (1)(2)+x (1)(3)),⋮−1/2(x (1)(n −1)+x (1)(n )), 1 1 ⋮ 1]a ̂=(au)=(B T B)−1B T Y nStep 3模型响应函数x ̂(1)(k +1)=(x (0)(1)−u a )e −ak +u ax ̂(0)(k +1)=x ̂(1)(k +1)−x ̂(1)(k )Step 4检验和判断GM(1,1)模型的精度 (1) 残差检验for i=2:(n+10)xx0(i)=xx1(i)-xx1(i-1); end%关联度检验 for i=1:ne(i)=abs(x0(i)-xx0(i)); endmmax=max(e); for i=1:nee(i)=0.5*mmax/(e(i)+0.5*mmax); endr=sum(ee)/n; %后验差检验x0bar=sum(x0)/n; s1=0; for i=1:ns1=s1+(x0(i)-x0bar)^2; ends1=sqrt(s1/n); s2=0;ebar=sum(e)/n; for i=1:ns2=s2+(e(i)-ebar)^2; ends2=sqrt(s2/n); C=s2/s1; p=0;for i=1:nif abs(e(i)-ebar)<0.6745*s1绝对误差：ε(k)=|x(0)(k)−x̂(0)(k)|相对误差：Φ(k)=ε(k)x(0)(k)(2) 关联度检验分辨率β一般取0.5，此时若关联度大于0.6则认为模型可接受(3) 后验差检验和小误差概率原始序列标准差：S1=√∑[x(0)(i)−x̅(0)]2n绝对误差序列标准差：S2=√∑[ε(i)−ε̅]2n计算方差比：C=S2S1小误差概率：P=P{|ε(i)−ε̅|<0.6745S1}p=p+1;endendp=p/n;Cpif p>0.95&C<0.35disp('预测精度好');else if p>0.8&C<0.5disp('预测合格');else if p>0.7&C<0.65disp('预测勉强合格'); elsedisp('预测不合格'); endendend%原始数据与预测数据进行比较t1=1:n;t2=1:(n+10);xx0plot(t1,x0,'o',t2,xx0)。