灰色预测模型※※分析

1、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为白色系统,全部信息未知为黑箱系统,局部信息,局部信息未知,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

2、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工程来说,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开展趋势的相异程度,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开展趋势和未来状态.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

3、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开展模型.经证实,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.1.1GM(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

4、据,在此根底上建立数学模型.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xf.n个观察值,X(0)=x(03x(0*2)川,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tx(*t)=£x(°)(n)n丑从而得到新的生成数列xC),XI)=晨叫1),xC、2)|,xC*n),新的生成数列xO一般近似地服从指数规律.那么生成的离散形式的微分方程具体的形式为dxax=udt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a(t)Ux

5、(t)=cea当t=1时,Mt)=x(1),即c=x(1)-U,那么可根据上述公式得到离散形式微分方程a的具体形式为t=x1-Ue"Uaa其中,ax项中的x为生的背景值,也称初始值；a,U是待识别的灰色参数,adt为开展系数,反映x的开展趋势；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%mdtLtQx(tLt)-x(t)Lt显然,当时间密化值定义为1时,当UtT1时,那么上式可记为2=m(x(t<t)-x(t)这说明如是一次累减生成的,因此该式可以改写为dtdx/当t足够小时,变量x=x(t1)x(t)dt从x(t)到x(tt|t)是不会出现突变的,所以取x(t)与

6、1x(tTt)的平均值作为当t足够小时的背景值,即x.：1*1%)+x(t+1将其值带入式子,整理得x(0)(t1)=-；a|x(1)(t)x(1)(t-1)u由其离散形式可得到如下矩阵:11,x(0)'x(0)+(x(0)(n3：x(1)+x(2)-1x(1)(2)+x(3)HIIIHHIII-1x(n一1)+x(1)(n)Y=x0,2),x(0)()3机|x,(0nT()-1_x(1)(1)x(1)(2)-1_x(1)(2)-x(1)(3)X%-1)+x(n)1,T：=au称Y为数据向量,B为数据矩阵,由最小二乘估计方法得口为参数向量.那么上式可简化为线性模型:Y=B：att0b=

7、(BB)BY1上式即为GM(1,1)参数a,u的矩阵辨识算式,式中(BB)BY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,那么x'lt)=(x(1)-U),)+uaa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o(1)(0)u-a(t4)u父(t)=x(1)-e一aa对序列d%t油作累减生成可进行预测.即姆(t)=?(t)-,)(t-1)1(0)小uL.a、-a(tl)=x(1)(1-e)eIa)上式便是GM(1,1)模型的预测的具体计算式或对x(t)=ce上+U求导复原得a姆(t)=-a(x(0)(1)-u)e-(tJ)a1.2GM(1,1)

8、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e(t),那么e(0)(t)=x(0)")x(0)(t)-x(0)(t)；(t)令名(t)为残差相对值,即残差百分比为x(0)(t)令区为平均残差,=n工I“t).2le(t)-

9、e.故后验差比例C为C=S/S,1n设残差的方差为S2,那么S2：'ntm误差频率P为P=pe(t)耳<0.6745Sj.对于C,P检验指标如下表:勉强P>0.95>0.80>0.70<0.70C<0.35<0.50<0.65>0.65表1灰色预测精确度检验等级标准般要求以t户20%,最好是s(t)<10%,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异.关联系数越大,说明预测值和实际值越接近.乂(t)=段(0)(1)夕0)(2),.,?(0)(nV(0)(0)(0)(0)X(t)-x(1),x(2),.,x(n

10、序列关联系数定义为mingx(t)x(t)p+crmax1|婷(t)-x(t)乂.)=1口0)(t)-x(t)十仃max愀)(t)-x(0)(t),1,t=0式中,|x>(0)(t)-x(0)为第t个点x(0)和娉的绝对误差,t(t)为第t个数据的关联系数,P称为分辨率,即取定的最大差百分比,0<P<l,一般取P=0.5.x(0)(t)和x(0)(t)的关联度为1nrnyt精度等级关联度均力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):二0.700.

11、65:二0.70表2精度检验等级关联度大于60%g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xC)=x(0)(1),x(0)(2)1|,x(0)(n)的均值和方差1n1n2x(0)x(0)(t),S2="x(0)(t)-x2ntdntm2、计算残差数列e(0)=e(0)(1),e(0)(2)川,e(0)(n)的均值e和方差sfnn9e='e(t),S2='e(t)-entdny其中e=x(0)(t)-婷,t=1,2,1ll,n为残差数列.3、计算后验差比值4、计算小误差频率P

12、=pe(0)(t)-e|<0,674581令So=0.67456,(t)=|e(0)(t)e|,即P=pG(t)<8.假设对给定的Co>0,当C<Co时,称模型为方差比合格模型；假设对给定的Po>o,当PAR时,称模型为小残差概率合格模型.PC>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X(0)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)

13、模型不够精确,也可以用GM(1,1)残差模型来提升精度.假设用原始序列X(0)建立的GM(1,1)模型?(1)(t1)=x(0)-ueuaa可获得生成序列X的预测值,定义残差序列e(0)(k)=x(1)(k)-X(1)(k),假设取k=t,t+1,n,那么对应的残差序列为e(0)(吁e(0)(1),e(0)(2),|l,e(n)：,计算其生成序列e(k),并据此建立相应的GM(1,1)模型e(1)(t-1)-e(0)(1)-uee"ek'小aeae得修正模型x(1)(t+1)=k°)(1)ulek+-+5(k-t)(-ae)|e(0)(1)上I"-aJa_

14、%1kt其中6(k1)=<为修正参数.0k<t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,而只是利用了局部残差.2、修正模型所代表的是差分微分方程,其修正作用与6(k-t)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)开展系数|a|22时,GM(1,1)模型没有意义.我们通过原始序列X,力模拟序列兄(°狂行误差分析,随着开展系数的增大,模拟误差迅速增加.当开展系数TW0.3时,模拟精度可以到达98%Z上；开展系数-aM0.5时,模拟精度可以到达95%Z上；开展系数-a>1时,模拟精度低于70%开展系数-a>1.5时

15、,模拟精度低于50%.进一步对预测误差进行考虑,当开展系数-a<0.3时,1步预测精度在98%以上,2步和5步预测精度都在90犯上,10步预测精度亦高于80%当开展系数-a>0.8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-a<0.3时,GM(1,1)可用于中长期预测；2、当0.3<yW0.5时,GM(1,1)可用于短期预测,中长期预测慎用；3、当0.5<-aE0.8时,GM(1,1)作短期预测应十分谨慎；4、当0.8<-aE1时,应采用残差修正GM(1,1)模型；5、当-a>1时,不宜采用GM(1,1)模型.1.5 GM(1,1

16、)模型实例分析例：预测学生后两个学期的成绩.学期1成绩学期2成绩学期3成绩学期4成绩某学生7974.82574.2976.98那么该学生成绩时间序列如下：X(0)=：i：x(0)(1),x(0),x(0)(3),x(0)(4)79,74.825,74.29,76.98对x(0)作一次累加后的数列为X(1)=x(1)(1),x(1)(2),x(1)(3),x(1)(4)=79,153,825,228,115,305.095对X做紧邻均值生成,令Z(k)=0,5x(1)(k)+0,5x(1)(k1),得Z=z(1)(2),z(1)(3),z(1)(4)=116,4125,151,47,150,19

17、251|一x(0)(2)1,Y=x(0)(3)1j一_74,82574,2976,981那么数据矩阵B及数据向量Y为Jrz(1)(2)1)-116.4125B=z1=-151.47-z1150,1925对参数列2=a,bT进行最小二乘估计,得夕=(BtB)BtY=bty76.61L0,0144-=a,uT即a=-0,0144,u=76,61那么GM(1,1)模型为dx-0,0144x1)；=76.61dt时间响应式为/)(k1)=5399,138%9°144-5320,1389当k=1时,我们取,)(1)=娉(1)=x(0)(0)=79复原求出X(0)的模拟值,由*(0)(k)=a)

18、(k)g)(k1),取k=2,3,4,得娉=：/)(1),.(2),铲(3),?(0)(4)=：79,74,281,74,3584,76.4513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第一学期79790第二学期74,82574,28100.73%第三学期74,2974,35840,0921%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由于认k)<10%,那就可得学生的预测值,与现实值进行比拟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.

19、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.年份199920002001200220032004销售额(亿元)2.673.133.253.363.563.72解：设X(0)(k)=2.67,3.13,3.25,3.36,3.56,3.72)构造累加生成序列12.41,15.97,19.69)X(1)(k)=2.67,5.80,9.05,构造数据矩阵B和数据向量工XX11；x(1)(2)+x(3)；x(1)(3)+x(4)1-j：x(1)(4)+x(1)(5)1xZ5)+x(1)(6)(0)(2)1一3.13x(0)3.25

20、x(0)(4)3.36x(0)3.561x(0)(6)一3.72一Yn=计算:?=a=(BTB)BTYn一bt707.46375BB=|t-54.41T,0.008667(BTB)=110.094319-4.235-7.425-10.7314.19-17.83-54.4150.0943191.226382:?=(BTB)BTYn=十043879IL2.925663第4步得出预测模型11111dx(1)-0.043879x=min(k)Pmax"k)(k二1,.,6,P=0.5)(k)Pmax二(k)求得n(k)=1,0.5,1,0.33,0.5,0.67(3)计算关联度1/n=一乙i

21、(k)=0.67=2.925663dt,)(k1)=69.3457e0.043879k-66.6757(0)b(x(°)(1)=2.67;=66.6757)a第5步残差检验根据预测公式,计算*(1)(k),得#1)(k)=2.67,5.78,9.03,12.43,15.97,19.68,19.69(k=0,1,6)(2)累减生成处0)(k)序列,k=1,2,6资(k)=2.67,3.11,3.25,3.40,3.54,3.71原始序列：X(°)(k)=2.67,3.13,3.25,3.36,3.56,3.72(3)计算绝对残差和相对残差序列绝对残差序列：Ankd=0,0.0

22、2,0,0.04,0.02,0.01相对残差序列：*=0,0.64%,0,1.19%,0.56%,0.27%相对残差不超过1.19%,模型精确度高.第6步进行关联度检验(1)计算序列x(0)与必0)的绝对残差序列屋0)(k)=0,0.02,0,0.04,0.02,0.01min(k)=min0,0.02,0,0.04,0.02,0.01=0maxJ°)(k)=max0,0.02,0,0.04,0.02,0.01=0.04(2)计算关联系数由于只有两个序列(即一个参考序列,一个被比拟序列)故不再寻求第二级最小差和最大差.r=0.67是满足P=0.5时的检验准那么r>0.6的.第7

23、步后验差检验(1)计算：x(0)=-2.67+3.13+3.25+3.36+3.56+3.72=3.286(2)计算X(0)序列的均方差：(0)(0),21/2)=0.3671X(k)xn-1计算残差的均值：A=1i(k)=0.015计算残差的均方差：S2=(k)二n-12)1/2=0.0152S(5)计算C:C=0.0152/0.3671=0.0414S2(6)计算小残差概率：S0=0.6745父0.3671=0.2746e=A(k)-A=0.15,0.005,0.015,0.025,0.005,0.005所有e都小于S.,故小残差概率Pe<S0=1,而同时C=0.0414<0.

24、35,故模型x(1)(k+1)=69.3457e°.°43879k-66.6757合格.第8步预测：k=7,x(0)(8)=x(1)(8)-x(1)(7)=4.23即2005年的产品销售额预测值为4.23亿元.灾变预测例：某地区平均降水量(单位：毫米)的原始数据为：X=x1,x2,.,x24=386.6,514.6,434.1,484.1,647.0,399.7,498.7,701.6,254.5,463.0,745.0,398.3,554.5,471.1,384.5,242.5,671.7,374.7,458.9,511.3,530.8,586.0,387.1,454.4

25、,规定年降水量M390(毫米)为旱灾年,试作旱灾预测.首先作灾变映射.根据x(t户390(毫米)为异常值,那么有X=ixq(1),xq(2),|,xq(6)=1386.6,254.5,384.5,242.5,374.7,387.1"x1,x9,x15,x16,x18,x23).作异常值xq(i)到出现灾变点q(i)的映射Q(°):xq(i)Tq(i),得灾变日期序列Q?)为Q0='：q(1),q(2),q(3),q(4),q(5),q(6)=%,9,15,16,18,23)据此对Q?)建立灾变日期序列的GM(1,1)模型.对Q?)作一次累加生成,得Q(1)=q(1)

26、,q(2),q(3),q(4),q(5),q(6)0-',1,10,25,41,59,82/求得参数向量<?-a,bT二BTBBTY-0.1884229.54872记Q<)的紧邻生成序列为Z,于是,得灾变GM(1,1)为q(k)-0.188422z(k)=9.54872,灾变日期序列的GM(1,1)序号响应式为?(k1)=(q(1)-b)e“kbaa=51.6772e0.188422k-50.6773从而q(k1)=(?(1)(k1)-(f)(k)0.188422k=8.87478e由此可得q)的模拟序列Q?(0)=鼠k),k=2,3,4,5,6=10.7,12.9,15.

27、6,18.8,22.7由(k)=x(0)(k)-铲(k),得绝对残差序列=(k),k=2,3,4,5,6=1.7,2.1,0.4,0.8,0.3,及相对残差序列.*(i),l=2,.,6=0.19,0.14,0.025,0.044,0.013_q(i)平均相对残差-16.'='i=0.085小于0.10,故可用0.188422kq(k1)=8.87478e进行预测.?(6+1)中27,?(7)-(?(6)«5即从最近一次旱灾发生的时间算起,五年之后可能发生旱灾、GM(1,N)模型2.1GM(1,N)模型的建立当系统中包含多个相关的变量,其时间序列的一阶差分都大于零具有

28、明显的上升趋势,可以利用多变量灰色预测模型GM(1,N)来建模分析.设X?=3(0)(1)冈0)(2),|“*1(0)何)为系统特征数据序列,而X20)=(X20)(1),X20)(2),用,X20)(n)X30)=(X3(0)(1),X3(0)(2),IH,X30)(n)IHIIIXN0)=(XN0)(1),XN0)(2),1H,XN0)(n)为相关因素序列,Xi为Xi(0)的1-AGO序列(i=1,2,用,N),Zi为Xi的紧邻均值生成序列,那么称Nx1(k)az1(1)(k)卜为(k)i=2为GM(1,N)模型.在GM(1,N欣型中,a称为系统开展数据,biXi(k)称为驱动项,bi称为

29、驱动系数,夕=口,0笛2,川,bNT称为参数列.设Xi为系统特征数据系列,Xi(0)(i=2,3,|,N)为相关因素数据序列,Xi为诸X?的1-AGCff歹1J,Z1为X1的紧邻均值生成序列,那么一-Z1(1)x21)(2)IIIxN1)(2)-Z(1)(3)x21)(3)hixN1)(3)z(n)x)(n)IIIxN1)(n)j'那么参数列s?=a,bN1N小x(1)(k1尸由(1)(0)-"bix(1)(k1)e-xbix(k1)ai2ai2.3、累减复原式xf)(k1)=axf)(k1)=xf)(k1)-婷冰)4、GM(1,N)差分模拟式为N?(k)=-az1(k)“加

30、兄(k)i=2,b2,|H,bNT的最小二乘估计满足j?=(BtB)BtY设分=ia,bi,b2,|,bNT,那么称dx(1).(1),(1)ax1=b2x2b3x3bNxNdt为GM(1,N)模型x1(0)(k)+az(1)(k)=b2x21)(k)+bsx；*)+|也乂,也)的白化方程,也称影子方程.由夕=a,b1,b2,|,bNT=(BtB),BtY,那么dx(1),八N一1、白化方程"+ax1(1)=£bix(1)按差分法离散,得到解为dtXi=e“tbiXi(t)eatdtx1(0)bx(1)(0)dti=2Ni=2N=etx1(1)(0)-rbx(0)八,biX

31、i(t)eatdtt=2N2、当Xi(i=2,3,111,N)变化幅度很小时,可视Zbix1(k)为灰常量,那么GM(1,N)i=2N模型x1(k)+az1(k)=£bixi(k)的近似响应时间式为(x(0)取为x(0)(1)i=22.2GM(1,1)模型与GM(1,N)模型的比拟GM(1,1)是根本预测模型,具有全信息.而GM(1,N)为分析模型、因子模型,它不具有全信息,一般不适应于预测.然而,当有必要对多因子的系统作整体的、全局的、动态的分析时,就需要使用GM(1,N).2.3GM(1,N)模型实例分析设系统特征数据序列为X1(0)=(2.874,3.278,3.307,3.3

32、90,3.679),相关因素数据序列为X2O)=(7.04,7.645,8.075,8.53,8.774),试建立GM(1,2)模型.GM(1,2)白化方程为dx)+axf)=bx,)dt对X(0)作一次累加后的序列为X1-：,：x1(1)(1),x1(1)(2),x1(1)(3),x1(1)(4),x1(1)(5)(2.874,6.125,9.459,12.849,16.528)X2"=x21)(1),x21)(2),x21)(3),x21)(4),x21)(5)=(7.04,14.685,22.76,31.29,40.064)对X做紧邻均值生成序列为Zi(1)=z(1)(2),Z

33、i(1)(3),z(1)(4),z(1)(5)=(4.513,7.8055,11.154,14.6885)那么数据矩阵B及数据向量Y为-4.51314.685-7.805522.761-11.15431.2914.688540.06413.2783.3073.390.3.679_一一W(：2)x2)zf(3)x21-z1(4)x2)4)-z1(5)x215)J对参数列2=a,b进行最小二乘估计,得的丫一黑；那么GM(1,2)模型为d2.2273x11=0.9068x21dt时间响应式为?(k+1)=(xH)-bx2*k+1?e_3k十bx2k+1)aa=2.874-0.4071x21k1ea2

34、273k0.407x；k1模拟数据,见下表厅P实际数据(0)x(k)模拟数据.(k)残差：k=Tx(0)(k)(k)=x(0)(k)-:0)(k)23.2782.7700.50815.5%33.3073.548-0.2417.3%43.3905.535-0.1454.3%53.6793.5820.0972.6%三、GM(2,1)模型设X(0)=x(0)(1),x(0)(2)川|,x(0)(n)为原始时间序列,对它进行一次累加生成运算,得生成列为k其中x(1)(k)=£x(0),i1X=ix(1),x(1)(2),|,x(1)(n)k=1,2,用,n,生成的时间序列构成一灰色模块,建立

35、GM(2,1)模型d-4-aQbx二udt2dtb=6/a,u=U/3,那么上式变为d2x小ag&bx二udt2dt(1)式是拟合,21d1项,而(2)式是拟合出2上两个式子从微分方程角度看,没有本质区别,但从拟合角度看,dxdx(1)吼项,吼实际上就是原始时间序列X(0)的近似,dtdtd2x1dx(0)dx(0)胃近似,而的变化较大,拟合效果不太好,故从拟合角度看,(2)dt2出出式比(1)式好.GM(2,1)模型比GM(1,1)模型多考虑了X(0)的影响,因此预测效果更好一些k一3)一1俨kx(k-1)1u按灰色系统理论,(2)式的离散形式为x(0)k=-ax(1)(k)-x(1

36、)(k-1)-x(1)(k-2)x(1)x(0)=x(-1)=0,k=2,3,4/H,n数据矩阵B和数据向量Y为(x(1)(2)-x(1)(1)-x(1)(0)+x(1)(1)(x(2)+x(1)(1)12、22、B=-：(x(1)(3)x(2)x(1)+x(1)(0)-；(x(1)(3)+x(1)(2)1I<1(1)(1)(1)一(1)1(1)(1)-(x(n)-x(n-1)-x(n-2)+x(n-3)-(x(n)+x(n-1)1Y=x(0)(2),x(0)(3),|,x(0)(n)T,?=a,b,uT令k=1,2,用,n,那么(3)式可表示为矩阵形式B3=Y上式的最小二乘解为夕=(B

37、tB)BtY-x(1)k-3ab2当a?时,假设需要预测第n+1,mi,n+m时刻的预测值,那么由(3)式得预测公式1)k-|2u-2a-b2(1)(k-1)a|*(k-2)x0)(0)=x(1)(k)-x(1)(k-1)k=2,3,4,|l,n,n1,l|,nm假设第L时刻及以后的拟合值不满足要求,即名(k)=x(0)(k)-?(0)(k),(k=L,L+1,|,n)不在误差允许范围内,对式0腋照前面处理X(0)的方法,建立残差GM(2,1)模型,可求出1物?1=R(L),?1(L1),111,?1(n),川,1(nm)对我蜒行一次累减可得次)残差变识可进行屡次,直到满足要求为止,最后,可把x(0)(n+i)+O0)(n+i)作为时间序列第n+i时刻的预测值.四、灰色模型程序GM(1,1)MATLAB程序function=greymodelshili(y)%本程序主要用来计算根据灰色理论建立的模型的预测值%应用的数学模型是GM(1,1)0%原始数据的处理方法是一次累加法.y=2.673.133.253.363.563.72;%原始数据n=length(y);D=y*0;ones(n-1,1);yy=ones(n,1);yy(1)=y(1);fori=2:nyy(i)=yy(i-1)+y(i);%生成序列x(1),(1)在x的上方endB=one