GM(1,1)灰色预测模型摘要灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。
灰数的生成，就是从杂乱中寻找出规律。
同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm(1,1)模型所得到的预测值的逆处理结果。
本文利用灰色预测对重庆市的人均收入进行模拟，容易理解，操作简单灵活，直接面向用户，精度较高。
一、GM(1,1)预测模型的基本原理：灰色预测的基本原理时间序列预测是采用趋势预测原理进行的.然而时间序列预测存在以下问题:(1)时间序列变化趋势不明显时,很难建立起较精确的预测模型.(2)它是在系统按原趋势发展变化的假设下进行预测的,因而未考虑对未来变化产生影响的各种不确定因素.为克服上述缺点,邓聚龙教授引入了灰色因子的概念,采用“累加”和“累减”的方法创立了灰色预测理论.1.1 GM(1,1)模型的基本原理当一时间序列无明显趋势时,采用累加的方法可生成一趋势明显的时间序列.如时间序列X(0)={32,38,36,35,40,42}的趋势并不明显,但将其元素进行“累加”所生成的时间序列X(1)={32,70,106,141,181,223}则是一趋势明显的数列,按该数列的增长趋势可建立预测模型并考虑灰色因子的影响进行预测,然后采用“累减”的方法进行逆运算,恢复原时间序列,得到预测结果,这就是灰色预测的基本原理.数据来源：重庆市统计年鉴重庆城市居民家庭人均可支配收入：收入4375.435022.965302.05表1二、利用软件对数据进行模拟：模拟值残差相对误差4375.432 3910.0859 -1112.8741 -22.1557433 4368.869126 -933.180874 -17.6003794 4881.482893 -561.357107 -10.313685 5454.243318 -374.186682 -6.4200256 6094.207607 -82.092393 -1.3291527 6809.261006 236.961006 3.605458 7608.213972 370.143972 5.1138499 8500.910713 407.240713 5.03159510 9498.350496 277.390496 3.0082611 10612.823165 368.833165 3.60048312 11858.060575 288.320575 2.49202313 13249.40578 -465.84422 -3.39654214 14804.00209 -904.73791 -5.75945615 16541.004292 -650.095708 -3.78158316 18481.814669 -617.915331 -3.235205三、实验结果表21995200020052010x 104时间（年）人均收入（元）图1所得预测值与实测值折线比较 如图 1。
SPSS分析SPSS教程SPSSAU 灰色预测模型GM11 灰色模型灰色预测GM(1,1)模型分析Contents1背景 (2)2理论 (2)3操作 (3)4 SPSSAU输出结果 (3)5文字分析 (4)6剖析 (5)灰色预测模型可针对数量非常少（比如仅4个），数据完整性和可靠性较低的数据序列进行有效预测，其利用微分方程来充分挖掘数据的本质，建模所需信息少，精度较高，运算简便，易于检验，也不用考虑分布规律或变化趋势等。
但灰色预测模型一般只适用于短期预测，只适合指数增长的预测，比如人口数量，航班数量，用水量预测，工业产值预测等。
灰色预测模型有很多，GM(1,1)模型使用最为广泛，第1个数字表示进行一阶微分，第2个数字1表示只包含1个数据序列。
特别提示：GM(1,1)模型仅适用于中短期预测，不建议进行长期预测；GM(1,1)模型适用于数量少(比如20个以内)时使用，大量数据时不适合。
灰色预测模型案例Contents1背景 (2)2理论 (2)3操作 (3)4 SPSSAU输出结果 (3)5文字分析 (4)6剖析 (5)1背景当前某城市1986~1992共7年的道路交通噪声平均声级数据，现希望预测出往后一期器械声平均声级数据。
数据如下：年份城市交通噪声/dB(A)198671.10198772.40198872.40198972.10199071.40199172.00199271.602理论灰色预测GM(1,1)模型一般针对数据量少，有一定指数增长趋势的数据。
在进行模型构建时，通常包括以下步骤：第一步：级比值检验；此步骤目的在于数据序列是否有着适合的规律性，是否可得到满意的模型等，该步骤仅为初步检验，意义相对较小。
级比值=当期值/上一期值。
一般情况下级比值介于[0.982,1.0098]之间则说明很可能会得到满意的模型，但并不绝对。
第二步：后验差比检验；在进行模型构建后，会得到后验差比C值，该值为残差方差/ 数据方差；其用于衡量模型的拟合精度情况，C值越小越好，一般小于0.65即可。
