灰度预测模型详解举例分析

灰⾊预测模型及MATLAB实例下⾯将主要从三⽅⾯进⾏⼤致讲解，灰⾊预测概念及原理、灰⾊预测的分类及求解步骤、灰⾊预测的实例讲解。

⼀、灰⾊预测概念及原理：1.概述：关于所谓的“颜⾊”预测或者检测等，⼤致分为三⾊：⿊、⽩、灰，在此以预测为例阐述。

其中，⽩⾊预测是指系统的内部特征完全已知，系统信息完全充分；⿊⾊预测指系统的内部特征⼀⽆所知，只能通过观测其与外界的联系来进⾏研究；灰⾊预测则是介于⿊、⽩两者之间的⼀种预测，⼀部分已知，⼀部分未知，系统因素间有不确定的关系。

细致度⽐较：⽩>⿊>灰。

2.原理：灰⾊预测是通过计算各因素之间的关联度，鉴别系统各因素之间发展趋势的相异程度。

其核⼼体系是灰⾊模型（Grey Model，GM），即对原始数据做累加⽣成（或者累减、均值等⽅法）⽣成近似的指数规律在进⾏建模的⽅法。

⼆、灰⾊预测的分类及求解步骤：1.GM（1,1）与GM（2,1）、DGM、Verhulst模型的分类⽐较：预测模型适⽤场景涉及的序列GM（1,1）模型⼀阶微分⽅程，只含有1个变量的灰⾊模型。

适⽤于有较强指数规律的序列。

累加序列均值序列GM（2,1）模型适⽤于预测预测具有饱和的S形序列或者单调的摆动发展序列缺陷。

累加序列累减序列均值序列DGM模型累加序列累减序列Verhulst模型累加序列均值序列2.求解步骤思维导图：其中预测过程可能会涉及以下三种序列、⽩化微分⽅程、以及⼀系列检验，由于⼤致都相同，仅仅是某些使⽤累加和累减，⽽另外⼀些则使⽤累加、累减和均值三个序列的差别⽽已。

于是下⾯笔者将对其进⾏归纳总结再进⾏绘制思维导图，帮助读者理解。

（1）原始序列（参考数据列）：（2）1次累加序列（1-AGO）：（3）1次累减序列（1-IAGO ）：（也就是原始序列中，后⼀项依次减去前⼀项的值，例如，[x(2)-x(1),x(3-x(2),...,x(n)-x(n-1))]。

）（4）均值⽣成序列：（这是对累加序列"（前⼀项+后⼀项）/2"得出的结果。

灰色系统模型（Grey Model,GM）一：解决的关键问题 （所谓灰色系统是指部分信息已知而部分信息未知的系统，灰色系统所要考察和研究的是对信息不完备的系统，通过已知信息来研究和预测未知领域从而达到了解整个系统的目的）灰色系统模型作为一种预测方法广泛应用于工程控制，经济管理，社会系统等众多领域。

二：ＧＭ（１，１）模型（一）：对原始序列累加处理一次累加生产序列②(即1－AGO序列)，表示为其中，一次累加序列(1)X 的第k 项由原序列的前k 项和产生，即： 由(1)X 的相邻项平均得到(1)X 的紧邻均值生成序列(1)z ，表示为:根据上述序列，有灰色系统模型GM(1，1)的基本形式:(二)构造GM(1，1)模型方程组的矩阵形式，并求解参数 GM(1，1)模型的微分方程基本形式:(三)求的时间响应序列，累减得到原序列的预测值(四)模型检验残差的均值、方差分别为:21S C S 称为均方差比值，对于给定的00C ，当0C C 时，称模型为均方差比合格模型;1(()0.6745)p p k S 称为小误差概率，对于给定的00P ，当0P P 时，称模型为小误差概率合格模型。

一般均方差比值C 越小越好(因为C 小说明S 小，1S 大，即残差方差小，原始数据方差大，说明残差比较集中，摆动幅度小，原始数据比较分散，摆动幅度大，所以模拟效果好，要求2S 与1S 相比尽可能小)，以及小误差概率p 越大越好，给定000,,,C p 的一组取值，就确定了检验模型模拟精度的一个等级，常用的精度等级见表1。

软件DPS 的分析结果也提供了C 、p 的检验结果。

(五)残差修正模型(六)建立新陈代谢GM(1，1)进行动态预测在实际建模过程中，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。

一般说来，取不同的数据，建立的模型也不一样，即使都建立同类的GM(1，1)模型，选择不同的数据，参数a，b的值也不一样。

灰色预测模型GM(1,1)的应用一、问题背景：蠕变是材料在高温下的一个重要性能。

处于高温状态下的材料长期受到载荷作用时，即使其载荷较低，并且在短时间的高温拉伸试验中材料不发生变形，但在此情况下仍会有微小的蠕变，极端的情况下，甚至会使材料发生破坏。

高温材料多应用于各种车辆的发动机及冶金厂中各种设备上，如果因蠕变引起破坏，可能造成很大的事故。

为了保证设备的安全可靠，在某一使用温度下，预先知道该材料对不同载荷应力下断裂的时间是很重要的。

过去，人们都是通过蠕变试验测量断裂时间。

而做蠕变试验时，需要很长时间才能得到结果，即使通过试验得出的数据，也只是对某几个具体试样而言，存在很大的偶然性，不能代表普遍的规律。

如果将实测的数据用灰色系统理论来处理，可以预测在某一温度下的任何载荷应力的断裂时间。

二、低合金钢铸件蠕变性能的灰色预测下面是对Cr-mo-0.25V 低合金钢铸件高温蠕变情况利用灰色系统理论进行研究。

在500℃的高温下，已测得此铸件在载荷分别为37，36，35，34，33（kg/mm 2）情况下的蠕变断裂时间见下表。

数 列 序 数 K1 2 3 4 5载荷应力（kg/mm 2） 37 36 35 34 33 断裂时间（)(100)0(K X ⨯小时）2.38 2.80 4.25 6.85 11.30 一次累加数列)()1(K X 2.38 5.18 9.43 16.28 27.581、建立GM （1,1）模型（1）数据处理：将同一数据列的前k 项元素累加后生成新数据列的第k 项元素。

即根据断裂时间数列)()0(k X 由∑==kn n X k X 1)0()1()()(得到 )()1(k X 。

（2）建立矩阵B,y:根据⎪⎪⎪⎪⎪⎭⎫ ⎝⎛+--+-+-=1)]()1([5.01)]3()2([5.01)]2()1([5.0)1()1()1()1()1()1(N X N X X X X X B 得到 ⎪⎪⎪⎪⎪⎭⎫ ⎝⎛----=19.2118.12130.7178.3B根据 T N N X X X Y )](,),3(),2([)0()0()0( =，得到 T N Y ]3.11,85.6,25.4,80.2[=（3）求出逆矩阵1()T BB - （4）作最小二乘估计，求参数u a ,N T T Y B B B u a 1)(ˆ-=⎪⎪⎭⎫⎝⎛=α 可得，⎪⎪⎭⎫ ⎝⎛-=97.05.0ˆα a = -0.5, u=0.97(5)建立时间响应函数，计算拟合值把a 和u 分别代入au e a u X t X at +-=+-))1(()1(ˆ)0()1(可得到解为2.24.4)1(ˆ5.0)1(-=+t e t X， 取t 为应力序数k 时，即得到时间响应方程为：2.24.4)1(ˆ5.0)1(-=+k e k X即可得到生成累加数列),2,1()1(ˆ)1( =+k k X 。

灰色预测原理及实例
一、灰色预测原理
灰色预测，是指根据动态系统的过去试验数据和实测数据，利用灰色规律进行预测的一种数学方法。

灰色预测的基本思想是：由内在原理和系统的实际运行数据，建立有关系的关于未来时间的数学模型，即所谓的灰色系统模型，从而建立未来状态的预测模型。

二、灰色预测实例
1、灰色模型在汽车行业的应用
汽车行业是一个特殊的行业，其市场受到很多因素的影响，因此，在汽车行业预测中，灰色模型能够很好地发挥其优势。

首先，根据汽车市场的详细统计数据，如汽车生产量、销售量，可以采集过去一定时间段内（如一年、两年）汽车的生产量及销售量等数据，将这些数据经过一定的模型处理，形成一个灰色模型，利用该模型可以预测汽车行业的今后发展趋势。

2、灰色模型在电力行业的应用。

预测未来2015年到2020年的货运量灰色预测模型是通过少量的、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.灰色系统的定义灰色系统是黑箱概念的一种推广;我们把既含有已知信息又含有未知信息的系统称为灰色系统.作为两个极端,我们将称信息完全未确定的系统为黑色系统；称信息完全确定的系统为白色系统.区别白色系统与黑色系统的重要标志是系统各因素之间是否具有确定的关系;建模原理模型的求解原始序列为：)16909 15781 13902 12987 12495 11067 101499926 9329 10923 7691())6(),...1(()0()0()0(==x x x构造累加生成序列)131159,114250,98469,84567,71580,59085,48018,37869,27943,18614,7691())6(),...1(()1()1()1(==x x x归纳上面的式子可写为称此式所表示的数据列为原始数据列的一次累加生成,简称为一次累加生成.对(1)X 作紧邻均值生成,....2))1()((21)()1()1()1(=-+=k k z k z k zMATLAB 代码如下：x=7691 18614 27943 37869 48018 590857 71580 84567 98469 114250 131159; z1=x1; for i=2:6 zi=xi+xi-1; endformat long g z z =Columns 1 through 37691Columns 4 through 632906Columns 7 through 991518Columns 10 through 11因此)53551.5 42943.5 3290623278.5 13152.5 ())5(),...1(()1()1()1(==z z z构造B 矩阵和Y 矩阵；对参数ˆα进行最小二乘估计,采用matlab 编程完成解答如下：B= -32906 -91518 ',ones10,1;Y=18614 27943 37869 48018 59085 71580 84567 98469 114250 131159'; format long g a=invB'BB'Y结果如下：a =即∂=,u=59277∂u = 则GM1,1白化方程为59277x 085.0)1(=-dtdx 预测模型为：697376.471-471.705067)1(ˆk *0.085)1(e k x =+再次通过线性回归模型对货运量进行预测：线性回归预测模型：一、定义一元线性回归预测是处理因变量y与自变量x 之间线性关系的回归预测法.二、模型的建立：1,设年份y, 货运量x y随x的变化函数,建立一元线性回归方程：Y=β0 + β1x其中β0、β1称为回归系数;散点图如下：首先根据x、y的现有统计数据,在直角坐标系中作散点图,观察y随x而变是否为近似的线性关系;若是,则求出的β0、β1值,就可确定其数学模型,然后由x的未来变化去求相应的y 值;,2,确定方法—最小二乘法使拟合的数值与实际值的总方差为最小,即拟合程度最好,则得两者之差e i根据极值原理,式对a、b分别求偏导,并令其=0,得z)()(()()222iiiiQiia aa b aaa ba bxyy xy x∂∂=∂∂∂=---∂=-----∑∑∑三,模型的求解：运用MATLAB 软件对数据进行一元线性回归分析：代码如下：x=1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 '; x=ones11,1 x;y=7691 10923 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,x b,bint ,stats ,rcoplotr,rint;()()()()()()()()222i i i i i i i Q y b x x y i b b y b x b x b y b x xy x x y x x ∂∂⎡⎤=---∑⎣⎦∂∂∂⎡⎤⎡⎤=-----⎣⎦⎣⎦∂⎡⎤=-----⎣⎦∑∑()()()()()()2002(7.4.8)i i i i xy xxx x y y b x x ix x y y b x xiS S =---=---==-∑∑∑∑令其，即所以结果：b =+006bint =+006stats =+005注：+006 为110^6 后同理因为,p<,所以可知回归方程为y=-1579600 + 800x 先观察观察模型残差：如图所示,应该剔除第2组数据;MATLAB代码为：x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ';x=ones10,1 x;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,xb,bint ,stats ,rcoplotr,rint;结果为：b =+006bint =+006stats =+005其中：+006 为110^6同理+005 为110^5剔除之后结果如下：回归系数回归系数估计值回归系数置信区间β0+006 +006 +005β1+006 +006 +006R2= F= +005 p< s2 = +005将异常数据去除后,再次对去除异常点的数据进行最小二乘法拟合一个多元回归模型,残差图如下：因为,p<, 无异常数据可剔除因此,可知最终回归方程为y=-1787900 + 900x,对ployfit拟合的函数进行评价与估计;运用polyconf函数对多项式评价和置信区间估计,matlab代码如下：x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909;p,S=polyfitx,y,1结果为：p =+006S =R: 2x2 doubledf: 8normr: +003对2015年的货运量预测,即y=polyconfp,2015y =+004DELTA =+003其中所以预测区间为：+004-+003, +004++003即,2015年的货运量在之间;同理对2016年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004-+003, +004++003即,2016年的货运量在之间;对2017年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004- +003, +004++003 即,2017年的货运量在之间;对2018年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004- +003, +004+ +003 即,2018年的货运量在之间;对2019年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004-+003, +004+ +003即,2019年的货运量在之间;对2020年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004-+003, +004++003即,2020年的货运量在之间;附：MATLAB代码：1, x=1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 ';x=ones11,1 x;y=7691 10923 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,xb,bint ,stats ,rcoplotr,rint;2,x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ';x=ones10,1 x;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,xb,bint ,stats ,rcoplotr,rint;3,x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909;p,S=polyfitx,y,1y=polyconfp,2015。

【数学建模】灰色预测模型（预测）文章目录•一、算法介绍•o 1.灰色预测模型o 2.灰色系统理论o 3. 针对类型o 4. 灰色系统o 5. 灰色生成o 6. 累加生成o7. GM（1，1）模型o▪推导▪精度检验▪精度检验等级参照表•二、适用问题•三、算法总结•o 1. 步骤•四、应用场景举例•o 1. 累加生成o 2. 建立GM（1，1）模型o 3. 检验预测值•五、MATLAB代码•六、实际案例•七、论文案例片段（待完善）灰色预测模型主要针对数学建模问题中的一些小的子问题进行求解，如果想直接使用请跳转至——四、五另外之前看过一篇比较完整的【数学建模常用算法】之灰色预测模型GM，作者：張張張張视频回顾一、算法介绍1.灰色预测模型灰色预测模型(Gray Forecast Model)是通过少量的、不完全的的信息，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。

2.灰色系统理论灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论.灰色预测是对灰色系统所做的预测。

目前常用的一些预测方法(如回归分析等)，需要较大的样本，若样本较小，常造成较大误差，使预测目标失效。

灰色预测模型所需建模信息少，运算方便，建模精度高，在各种预测领域都有着广泛的应用，是处理小样本预测问题的有效工具。

3. 针对类型灰色系统理论是由华中理工大学邓聚龙教授于1982年提出并加以发展的。

二十几年来，引起了不少国内外学者的关注，得到了长足的发展。

目前，在我国已经成为社会、经济、科学技术在等诸多领域进行预测、决策、评估、规划控制、系统分析与建模的重要方法之一。

特别是它对时间序列短、统计数据少、信息不完全系统的分析与建模，具有独特的功效，因此得到了广泛的应用.4. 灰色系统灰色系统是黑箱概念的一种推广。

灰色预测模型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箱系统. 一般地说，社会系统、经济系统、生态系统都是灰色系统.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.一、GM(1,1)模型灰色系统理论是邓聚龙教授在1981年提出来的，是一种对含有不确定因素系统进行预测的方法. 通过鉴别系统因素之间发展趋势的相异程度，进行关联分析，并通过对原始数据进行生成处理来寻找系统的变化规律，生成较强规律性数据序列，然后建立相应微分方程模型，从而预测事物未来的发展趋势和未来状态. 目前使用最广泛的灰色预测模型是关于数列预测的一个变量、一阶微分的GM(1,1)模型.GM(1,1)模型是基于灰色系统的理论思想，将离散变量连续化，用微分方程代替差分方程，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，用生成数序列代替原始时间序列，弱化原始时间序列的随机性，这样可以对变化过程作较长时间的描述，进而建立微分方程形式的模型. 其建模的实质是建立微分方程的系数，将时间序列转化为微分方程，通过灰色微分方程可以建立抽象系统的发展模型. 经证明，经一阶线性微分方程的解逼近所揭示的原始时间数列呈指数变化规律时，灰色预测GM(1,1)模型的预测将是非常成功的.1.1 GM(1,1)模型的建立灰色理论认为一切随机量都是在一定范围内、一定时间段上变化的灰色量及灰色过程. 数据处理不去寻找其统计规律和概率分布, 而是对原始数据作一定处理后, 使其成为有规律的时间序列数据, 在此基础上建立数学模型.GM(1,1)模型是指一阶，一个变量的微分方案预测模型，是一阶单序列的线性动态模型，用于时间序列预测的离散形式的微分方程模型.设时间序列()0X有n 个观察值，()()()()()()(){}00001,2,,Xx x x n =，为了使其成为有规律的时间序列数据，对其作一次累加生成运算，即令()()()()101tn xt x n ==∑从而得到新的生成数列()1X，()()()()()()(){}11111,2,,Xx x x n =，新的生成数列()1X 一般近似地服从指数规律. 则生成的离散形式的微分方程具体的形式为dxax u dt+= 即表示变量对于时间的一阶微分方程是连续的. 求解上述微分方程，解为当t =1时，()(1)x t x =，即(1)c x a=-，则可根据上述公式得到离散形式微分方程的具体形式为 ()()()11a t u u x t x e a a --⎛⎫=-+ ⎪⎝⎭其中，ax 项中的x 为dxdt的背景值，也称初始值；a ，u 是待识别的灰色参数，a 为发展系数，反映x 的发展趋势；u 为灰色作用量，反映数据间的变化关系.按白化导数定义有0()()lim t dx x t t x t dt t→+-= 显然，当时间密化值定义为1时，当1t →时，则上式可记为1lim(()())t dxx t t x t dt→=+- 这表明dxdt是一次累减生成的，因此该式可以改写为 (1)(1)(1)()dxx t x t dt=+- 当t 足够小时，变量x 从()x t 到()x t t +是不会出现突变的，所以取()x t 与()x t t +的平均值作为当t 足够小时的背景值，即(1)(1)(1)1()(1)2xx t x t ⎡⎤=++⎣⎦将其值带入式子，整理得 (0)(1)(1)1(1)()(1)2x t a x t x t u ⎡⎤+=-+++⎣⎦ 由其离散形式可得到如下矩阵：(1)(1)(0)(1)(1)(0)(0)(1)(1)1(1)(2)2(2)1(2)(3)(3)2()1(1)()2x x x x x x a u x n x n x n ⎛⎫⎡⎤-+ ⎪⎣⎦⎛⎫ ⎪ ⎪ ⎪⎡⎤-+ ⎪⎣⎦ ⎪=+ ⎪ ⎪ ⎪⎪ ⎪⎝⎭ ⎪⎡⎤--+ ⎪⎣⎦⎝⎭令 (0)(0)(0)(2),(3),,()TY x x x n ⎡⎤=⎣⎦(1)(1)(1)(1)(1)(1)11(1)(2)211(2)(3)21(1)()12x x x x B x n x n ⎛⎫⎡⎤-+ ⎪⎣⎦ ⎪⎪⎡⎤-+⎣⎦ ⎪= ⎪ ⎪ ⎪⎡⎤--+ ⎪⎣⎦⎝⎭()Ta u α=称Y 为数据向量，B 为数据矩阵，α为参数向量. 则上式可简化为线性模型：Y B α=由最小二乘估计方法得()1T T a B B B Y uα-⎛⎫== ⎪⎝⎭上式即为GM(1,1)参数,a u 的矩阵辨识算式，式中()1TT B B B Y -事实上是数据矩阵B 的广义逆矩阵.将求得的a ，u 值代入微分方程的解式，则()1(1)()((1))a t u ux t x e a a--=-+其中，上式是GM(1,1)模型的时间响应函数形式，将它离散化得(1)(0)(1)ˆ()(1)a t u u xt x e a a --⎛⎫=-+ ⎪⎝⎭ 对序列()()1ˆxt 再作累减生成可进行预测. 即()(0)(1)(1)(0)(1)ˆˆˆ()()(1)(1)1a a t xt x t x t u x e ea --=--⎛⎫=-- ⎪⎝⎭ 上式便是GM(1,1)模型的预测的具体计算式. 或对()atux t cea-=+求导还原得 (0)(0)(1)ˆ()((1))a t uxt a x e a--=-- 1.2 GM(1,1)模型的检验GM(1,1)模型的检验包括残差检验、关联度检验、后验差检验三种形式.每种检验对应不同功能：残差检验属于算术检验，对模型值和实际值的误差进行逐点检验；关联度检验属于几何检验范围，通过考察模型曲线与建模序列曲线的几何相似程度进行检验，关联度越大模型越好；后验差检验属于统计检验，对残差分布的统计特性进行检验，衡量灰色模型的精度. ➢ 残差检验残差大小检验，即对模型值和实际值的残差进行逐点检验. 设模拟值的残差序列为(0)()e t ，则(0)(0)(0)ˆ()()()e t x t xt =- 令()t ε为残差相对值，即残差百分比为(0)(0)(0)ˆ()()()%()x t xt t x t ε⎡⎤-=⎢⎥⎣⎦令∆为平均残差，11()nt t n ε=∆=∑.设残差的方差为22S ，则[]22211()n t S e t e n ==-∑. 故后验差比例C 为21/C S S =，误差频率P 为{}1()0.6745P P e t e S =-<.对于,C P 检验指标如下表：检验指标好合格勉强不合格P >0.95 >0.80 >0.70 <0.70 C <0.35 <0.50 <0.65 >0.65表 1 灰色预测精确度检验等级标准一般要求()20%t ε<，最好是()10%t ε<，符合要求.➢ 关联度检验关联度是用来定量描述各变化过程之间的差别. 关联系数越大，说明预测值和实际值越接近.设 {}(0)(0)(0)(0)ˆˆˆˆ()(1),(2),,()Xt xx x n =⋯ {}(0)(0)(0)(0)()(1),(2),,()X t x x x n =⋯序列关联系数定义为(){}{}{}(0)(0)(0)(0)(0)(0)(0)(0)ˆˆmin ()()max ()(),0ˆˆ()()max ()()1,0x t x t x t x t t t x t x t x t x t t σξσ⎧-+-⎪≠⎪=⎨-+-⎪=⎪⎩ 式中,(0)(0)ˆ()()xt x t -为第t 个点(0)x 和(0)ˆx 的绝对误差，()t ξ为第t 个数据的关联系数，ρ称为分辨率，即取定的最大差百分比，0ρ<<1,一般取0.5ρ=.(0)()x t 和(0)ˆ()xt 的关联度为()11nt r t n ξ==∑精度等级 关联度均方差比值小误差概率好（1级） 0.90≥ 0.35≤ 0.95≥ 合格（2级） 0.80≥ 0.50≤ 0.80≥ 勉强（3级） 0.70≥ 0.65≤ 0.70≥ 不合格（4级）0.70< 0.65>0.70<表 2 精度检验等级关联度大于60%便满意了，原始数据与预测数据关联度越大，模型越好.➢ 后验差检验后验差检验，即对残差分布的统计特性进行检验. 检验步骤如下：1、计算原始时间数列(){}0(0)(0)(0)(1),(2),,()Xx x x n =的均值和方差()2(0)(0)2(0)11111(),()n n t t xx t S x t x n n ====-∑∑ 2、计算残差数列{}(0)(0)(0)(0)(1),(2),,()ee e e n =的均值e 和方差22s()2(0)2(0)21111(),()n n t t e e t S e t e n n ====-∑∑其中(0)(0)(0)ˆ()()(),1,2,,e t x t xt t n =-=为残差数列.3、计算后验差比值21C S S =4、计算小误差频率{}(0)1()0.6745P P e t e S =-<令0S =0.67451S ，(0)()|()|t e t e ∆=-，即{}0()P P t S =∆<.若对给定的00C >，当0C C <时，称模型为方差比合格模型；若对给定的00P >，当0P P >时，称模型为小残差概率合格模型.>0.95 <0.35 优 >0.80 <0.5 合格 >0.70 <0.65 勉强合格 <0.70>0.65不合格表 3 后验差检验判别参照表1.3 残差GM(1,1)模型当原始数据序列(0)X建立的GM(1,1)模型检验不合格时，可以用GM(1,1)残差模型来修正. 如果原始序列建立的GM(1,1)模型不够精确，也可以用GM(1,1)残差模型来提高精度.若用原始序列(0)X建立的GM(1,1)模型(1)(0)ˆ(1)[(1)]at u uxt x e a a-+=-+ 可获得生成序列(1)X 的预测值，定义残差序列(0)(1)(1)ˆ()()()e k x k x k =-. 若取k=t , t+1, …, n ，则对应的残差序列为{}(0)(0)(0)(0)()(1),(2),,()e k e e e n =计算其生成序列(1)()e k ，并据此建立相应的GM(1,1)模型(1)(0)ˆ(1)[(1)]e a k e ee eu u et e e a a -+=-+ 得修正模型(1)(0)(0)(1)(1)()()(1)e a k ak e e e u u u x t x e k t a e e a a a δ--⎡⎤⎡⎤+=-++---⎢⎥⎢⎥⎣⎦⎣⎦其中1()0k tk t k t δ≥⎧-=⎨≤⎩为修正参数.应用此模型时要考虑：1、一般不是使用全部残差数据来建立模型，而只是利用了部分残差.2、修正模型所代表的是差分微分方程，其修正作用与()k t δ-中的t 的取值有关.1.4 GM(1,1)模型的适用范围定理：当GM(1,1)发展系数||2a ≥时，GM(1,1)模型没有意义.我们通过原始序列()0i X 与模拟序列()0ˆiX 进行误差分析，随着发展系数的增大，模拟误差迅速增加. 当发展系数0.3a -≤时，模拟精度可以达到98%以上；发展系数0.5a -≤时，模拟精度可以达到95%以上；发展系数1a ->时，模拟精度低于70%；发展系数 1.5a ->时，模拟精度低于50%. 进一步对预测误差进行考虑，当发展系数0.3a -<时，1步预测精度在98%以上，2步和5步预测精度都在90%以上，10步预测精度亦高于80%；当发展系数0.8a ->时，1步预测精度已低于70%.通过以上分析，可得下述结论：1、当0.3a -<时，GM(1,1)可用于中长期预测；2、当0.30.5a <-≤时，GM(1,1)可用于短期预测，中长期预测慎用；3、当0.50.8a <-≤时，GM(1,1)作短期预测应十分谨慎；4、当0.81a <-≤时，应采用残差修正GM(1,1)模型；5、当1a ->时，不宜采用GM(1,1)模型.1.5 GM(1,1)模型实例分析例：则该学生成绩时间序列如下：()()(0)(0)(0)(0)(0)(1),(2),(3),(4)79,74.825,74.29,76.98X x x x x ==对(0)X作一次累加后的数列为()()(1)(1)(1)(1)(1)(1),(2),(3),(4)79,153.825,228.115,305.095X x x x x ==对(1)X做紧邻均值生成. 令(1)(1)(1)()0.5()0.5(1)Z k x k x k =+-，得()()(1)(1)(1)(1)(2),(3),(4)116.4125,151.47,150.1925Z z z z ==则数据矩阵B 及数据向量Y 为(1)(1)(1)(2)1116.41251(3)1151.471(4)1150.19251z B z z ⎡⎤--⎡⎤⎢⎥⎢⎥=-=-⎢⎥⎢⎥⎢⎥⎢⎥--⎣⎦⎣⎦，(0)(0)(0)(2)74.825(3)74.29(4)76.98x Y x x ⎡⎤⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦ 对参数列ˆ[,]Taa b =进行最小二乘估计，得 176.61ˆ()[,]0.0144T T T T a B B B Y B Y a u -⎡⎤====⎢⎥-⎣⎦即 0.0144a =-，76.61u = 则GM(1,1)模型为()()110.014476.61dx x dt-= 时间响应式为(1)0.0144ˆ(1)5399.13895320.1389xk e -+=- 当1k =时，我们取(1)(0)(0)ˆˆ(1)(1)(0)79xx x === 还原求出(0)X的模拟值. 由(0)(1)(1)ˆˆˆ()()(1)Xk x k x k =--，取2,3,4k =，得 ()()(0)(0)(0)(0)(0)ˆˆˆˆˆ(1),(2),(3),(4)79,74.281,74.3584,76.4513xx x x x == 通过预测，得到实际值与预测值如下表：实际值 预测值 相对误差()k ε 第一学期79 79 0 第二学期 74.825 74.2810 0.73% 第三学期 74.29 74.3584 0.0921% 第四学期76.9876.45130.7051%表 4 四学期的实际值与预测值的误差表因为()10%k ε<，那就可得学生的预测值，与现实值进行比较得出该模型精度较高，可进行预测和预报.我们对学生未来两个学期（也就是第五、六个学期）的成绩进行预测，分别为77.5602分和78.6851分.例：某大型企业1999年至2004年的产品销售额如下表，试建立GM(1,1)预测模型，并预测2005年的产品销售额。

灰色模型建模例题灰色模型是一种基于时间序列数据的预测方法，通过对序列数据的灰度化和建模，可以对未来的趋势进行预测和分析。

下面是一个灰色模型建模的例题：假设有一家服装公司，过去3年的销售额数据如下：年份销售额2018 100万2019 120万2020 135万现在需要利用灰色模型对2021年的销售额进行预测。

解答步骤如下：1. 灰度化处理：将原始数据进行一次累加得到累加数据：100, 220, 355。

可以发现累加数据的增长幅度不稳定，不适合直接进行建模，因此需要进行灰度化处理。

利用紧邻平均法进行灰度化处理，得到灰度数据：100, (100+220)/2 = 160, (220+355)/2 = 287.5。

2. 建立灰色模型：根据得到的灰度数据，可以建立灰色模型进行预测。

常用的灰色模型有GM(1,1)模型和GM(0,1)模型。

假设选取GM(1,1)模型，根据灰度数据建立差分方程：x(k+1) + a * x(k) = b，其中x(k)为累加数据，a为发展系数，b为灰色作用量。

代入灰度数据可得：160 + a * 100 = b，287.5 + a * 160 = b。

解上述方程组可以得到a ≈ 0.5754，b ≈ 100.0128。

进一步求取预测模型：x(k+1) = (x(0) - b/a) * exp(-a * k) + b/a。

代入x(0) = 355，k = 3，a ≈ 0.5754，b ≈ 100.0128可得：x(4) = (355 - 100.0128 / 0.5754) * exp(-0.5754 * 3) + 100.0128 / 0.5754 ≈ 140.36。

3. 预测销售额：根据建立的灰色模型，将k取为4进行预测，可以得到2021年的销售额预测值为140.36万。

通过灰色模型建模分析，得出2021年的销售额预测为140.36万。