求网页设计网站,wordpress社交链接设置,做网站网页尺寸是多少钱,wordpress推广插件本篇文章摘录自GM(1,1) - 数模百科 #xff0c;如果想了解更多有关灰色预测模型的信息#xff0c;请移步 灰色预测模型 - 数模百科
首先#xff0c;“灰色”这个词在这里不是指颜色#xff0c;而是形容一种信息状态#xff0c;介于黑#xff08;信息全无#xff09;和白…本篇文章摘录自GM(1,1) - 数模百科 如果想了解更多有关灰色预测模型的信息请移步 灰色预测模型 - 数模百科
首先“灰色”这个词在这里不是指颜色而是形容一种信息状态介于黑信息全无和白信息全有之间。咱们有时候对一些事情知道一点儿但又说不上很清楚这就有点“灰色”的感觉。
灰色预测模型是一种特别设计来解决数据信息不全的情况下的预测问题的算法。这个模型的出现主要是为了帮助我们在只有少量数据或者数据不够可靠的时候也能做出比较合理的预测。比方说当我们手头的历史信息不够完整或者数据太少用常规的统计方法就不太行的时候灰色预测模型就能发挥作用。
这个模型的做法是它会先对我们拿到手的原始数据进行一番处理比如做一些插值或者推算以此来猜测未来可能会出现的走势。模型会根据数据的走势是上升还是下降分成两种不同的类型然后用不同的计算方式去预测。
举个例子GM(1,1)模型就是专门用来预测那些呈现上升趋势的数据序列的。它通过一些数学上的处理比如累加和简化计算来估算这种趋势会如何延续。而GM(2,1)模型则是用来看那些下降趋势的数据它的处理方法跟GM(1,1)有点像但是会多一个步骤它不仅仅进行一次加总处理还会对加总过的数据进行再一次的处理。这样就可以应对那些变化更加复杂的数据序列。
灰色预测模型用起来简单方便而且很灵活所以在经济分析、环境预测、物流规划这些领域都很受欢迎。它对于短期内的预测和那些不太规则的数据处理特别有用。不过如果我们要预测的是很长远的未来或者要分析长期的趋势这个模型就可能不太适用了。
虽然灰色预测模型很有用但因为它属于一种灰箱模型也就是说它的内部工作原理不是完全透明的所一般比赛期间不优先使用。
模型假设 系统内的变量可分为确定性因素和随机性因素。 随机性因素服从白噪声分布即期望值为0方差恒定。 系统内各因素之间存在一定的关联性和规律性。 系统因素在预测时间范围内具有局部平稳性即系统特性和规律不发生根本变化。
数据集要求 数据应为连续的时间序列数据由一系列按时间顺序排列的观测值组成。 数据集至少包含四个数据点前三个数据点需均匀间隔。 数据收集过程中应尽量减少人为误差和异常值确保数据的准确性。 数据集中的因素需满足灰色系统的关联性和规律性假设。
数据处理要求
进行数据归一化处理消除不同量纲和数值范围的差异。
通过标准化或正规化方法将数据转换到统一尺度以提高模型的预测精度。
数据检验
极比值检验
灰色预测模型是一种常用于处理小样本和不完全信息情况下的预测方法。为了确保灰色预测模型能够对数据序列进行有效的预测我们必须先对数据进行级比值检验。级比值检验是一种预先检查用以评价数据序列的规律性和灰色预测模型的适用性。
级比值是通过计算连续两期数据的比值来定义的具体地如果我们有一个数据序列 则第 i 期的级比值表示为 对于灰色预测模型的适应性检验我们通常要求级比值落在特定的范围内这个范围由下述公式确定 其中 e 是自然对数的底数n 是数据序列的样本量。如果数据序列中的级比值均满足上述条件那么我们可以初步判断该数据序列适合应用灰色预测模型因为这表明数据的发展趋势具有一定的规律性和稳定性。
然而即使数据序列的级比值不完全符合上述范围也并非意味着灰色预测模型完全不适用。实际情况中我们可以通过适当的数据预处理来改善级比值例如对数据进行平滑处理、取对数或者差分等以期达到更好的预测效果。
需要注意的是级比值检验只是模型适用性判断的初步步骤。在确定使用灰色预测模型后还需要结合其他统计指标和检验方法对模型进行进一步的检验和评估以确保预测结果的准确性和可靠性。
例如如果我们有一个产品的销售量数据序列 {120, 150, 180, 210} 则计算得到的级比值序列为 \{0.8, 0.833, 0.857} 。假设样本量 n 4 代入到级比值的标准范围计算公式中我们可以得到合理的级比值范围大约为 [0.675, 1.48] 。可以看出所有的级比值都在这个范围内因此我们可以初步判断该数据序列适合使用灰色预测模型进行分析。
后差比检验
后差比检验是评价灰色预测模型拟合精度的重要方法它主要用于确保模型的预测结果具有较高的准确性。具体来说当我们构建了一个灰色预测模型后会根据模型得到一系列的预测值。为了评估这些预测值的精确度我们需要将它们与实际观测值进行对比计算出两者之间的差异即残差。
残差反映了模型预测值与实际观测值之间的偏差程度。为了定量地评估这种偏差我们会计算残差的方差并将其与原始数据的方差进行比较。具体的计算公式为
C 残差方差/原始数据方差
其中后差比C值是一个无量纲的指标用于衡量灰色预测模型的拟合效果。C值越小意味着模型的拟合效果越好预测结果与实际数据的吻合程度越高从而预测的准确性越高。通常情况下如果C值小于0.35通常被认为模型具有较好的拟合精度如果C值介于0.35到0.65之间模型也可以接受但精度相对较低如果C值大于0.65则表明模型拟合效果不理想。
例如假设我们有一组数据和通过灰色预测模型得到的预测结果计算出残差方差为0.02原始数据方差为0.05则后验差比C值为0.4。这个值介于0.35到0.65之间可以认为模型的拟合效果是可接受的但还有改进的空间。
值得注意的是后差比检验虽然是一个重要的评估指标但它不能单独决定模型的好坏。在实际应用中我们还需要结合其他因素如模型的稳定性、预测目标、数据特点等综合评估模型的性能。只有全面考虑这些因素我们才能更准确地判断模型的可靠性和实用性。
GM(1,1)
GM(1,1)模型是灰色系统理论中的一个基本模型GM代表灰色模型括号里的第一个1表示这个变量是一阶的第二个1表示模型中只包含一个变量即考虑变量随时间的一阶变化率。
发明这个算法的动机主要是为了解决现实世界中的不确定性和不完整信息问题。在很多情况下我们拿到的数据是不完整的或者有噪声也就是说数据的质量不是很高这在经济、环境、工程技术等领域是很常见的。传统的统计模型需要大量精确的数据来预测未来趋势而在信息不足的情况下这些模型就不太管用了。于是灰色模型就应运而生它可以用相对较少和不完整的数据来做出还算可靠的预测。
GM(1,1)模型的适用场景很广泛特别是在数据量不大、信息不完全、难以用传统方法建模的情况下。比如新产品的销量预测因为新产品缺少历史数据、新技术发展趋势分析由于技术变化快旧数据可能不适用等场景。它通过对原始数据进行一定的处理建立起一个数学模型然后用这个模型来预测未来的变化趋势。
总的来说GM(1,1)模型就像是一个特别设计的工具能在数据不充分的情况下帮我们抓住主要趋势给出一个大致的未来走向预测。当然这个模型也有它的局限性如果数据太过随机或者变化太剧烈它的预测准确度就会下降。所以在使用GM(1,1)模型时我们还需要结合实际情况和其他分析方法来共同判断。
举个例子。
假设你想知道一个城市未来的人口增长情况。我们可以使用GM(1,1)模型来预测。
首先我们找到过去几年的人口数据比如5年前、4年前、3年前、2年前和1年前的数据。然后我们对这些数据进行加总得到一个新的序列。
接下来我们计算这个新序列相邻两项的均值也就是找出每两个数据之间的平均值。
然后我们可以建立一个简单的模型描述这个新序列的变化。这个模型基于一个数学公式通过解方程我们可以估计出公式里的参数。
最后我们使用这个模型和参数来预测未来几年的人口增长情况。
GM(1,1)模型可以帮助我们估计未来的人口增长趋势但需要注意的是模型的准确性可能受到数据质量和模型参数选择的影响。所以在使用模型时我们要谨慎对待结果综合考虑多个因素。
定义与详解
定义
灰色预测模型GM(1,1)是一种专门用来对数据量不多的情况下进行预测的方法。它是基于灰色系统理论提出的能够通过构建一个简单的数学模型来预测数据的未来走势。这个模型特别适用于单调的变化过程也就是那些增长或下降趋势比较明显、数据变化呈现出某种指数规律的序列但它不能描述波动变化或非单调的情况。
首先我们有一个原始的数据序列 这里的 x^{(0)}(t) 就是我们在第 t 个时间点观测到的数值。为了让模型能够更容易处理这些数据我们要对原始数据进行一次累加操作I-AGO得到另一个新的序列 在这个新序列中 表示的是从第一个数据点到第 t 个数据点的累计值。
GM(1,1)模型认为这个累加后的数据序列可以通过一个一阶线性微分方程来描述这个方程是 在这个方程中 a 是一个我们要估计的参数叫做发展系数。它可以告诉我们数据累加序列的增长或下降的速度如果 a 的值比较大意味着数据变化得快相反如果 a 的值小数据变化得慢。而 u 是另一个参数称为灰色作用量它代表了除了增长趋势之外可能还会影响数据变化的其他因素。
当我们对上面的微分方程进行积分就可以得到这样一个表达式 这个表达式可以帮助我们计算出在任何一个时间点 t 的累加数据值其中 是初始的累加数据值 表示各个时间点。通过这个公式我们就可以预测未来数据的走势了。
求解
首先我们有一组原始数据记作序列 X^{(0)}。这个序列是我们想要进行预测的数据可以表示为 其中n 是已知数据点的数量。我们的目标是预测这个序列未来的值。
步骤1构造紧邻均值生成序列
为了建立预测模型我们首先需要从原始数据构造紧邻均值生成序列记作 。这个新序列是通过累加原始数据来获取的公式如下 这样做可以使数据序列更平滑更适合进行灰色预测。
步骤2求解模型参数
接下来我们需要求解微分方程来得到模型的两个参数发展系数 a 和灰色作用量 u。这些参数帮助我们了解数据的增长趋势和水平。方程可以表示为 通过回归分析或最小二乘法我们可以求解出 a 和 u。
步骤3反演计算原始数据的预测值
一旦我们有了 a 和 u 这两个参数就可以计算原始数据的预测值。如果我们想要预测未来 m 个时期的值预测公式如下 在这里m 是我们想要预测的未来时间步数。
总结起来灰色预测模型GM(1,1)通过累加原始数据构造新序列然后用这个新序列求解模型参数最后通过这些参数来预测原始序列未来的值。这个方法简单而且在数据不足时特别有效。
代码
# 导入所需的库
import numpy as np
import matplotlib.pyplot as plt# 定义GM(1,1)类
class GM11:def __init__(self):self.a 0 # 灰色作准指数self.b 0 # 灰色作准常数self.X0 None # 初始数据序列self.X_cum None # 累加数据序列def fit(self, X):self.X0 Xn len(X)self.X_cum np.cumsum(X) # 累加生成数列Z 0.5 * (self.X_cum[:-1] self.X_cum[1:]) # 紧邻均值生成数列B np.vstack((-Z, np.ones(n - 1))).TY X[1:]U np.dot(B.T, B)self.a, self.b np.dot(np.linalg.inv(U), np.dot(B.T, Y)) # 最小二乘估计参数def predict(self, n):# 预测n个数据点X_pred np.zeros(n)X_pred[0] self.X0[0]# 将累加预测数据进行还原# 见数模百科# 生成示例数据
X np.array([20, 25, 30, 35, 40, 45])# 创建GM(1,1)模型实例
model GM11()
model.fit(X)# 预测未来的数据
m 3 # 预测未来3个数据点
X_pred_future model.predict(len(X) m)[len(X):]# 绘制原始数据和预测数据
plt.plot(range(len(X)), X, o-, labelOriginal)
plt.plot(range(len(X), len(X) m), X_pred_future, x--, labelFuture Prediction)
plt.legend()
plt.show()
这段代码展示了使用GM(1,1)模型对一组数据进行灰色预测的过程。 导入所需的库。 定义GM(1,1)类。 初始化GM(1,1)类初始化了灰色作准指数a和灰色作准常数b两个参数。 fit函数此函数用于拟合GM(1,1)模型。它接受一个数据集作为输入X并计算得出a和b参数。通过最小二乘法使用数据的累加、均值和标准差等求解了灰色作准指数a和灰色作准常数b。 predict函数此函数用于根据已拟合的GM(1,1)模型预测新数据。它接受一个数据集作为输入X并通过迭代预测新的数据点。预测的方法根据GM(1,1)模型的公式进行计算。 创建GM(1,1)模型实例创建了一个GM(1,1)模型的实例对象model。 模型拟合使用fit函数拟合了GM(1,1)模型得到了a和b参数。 预测新数据使用predict函数根据已拟合的模型预测了新的数据点得到了X_pred。 绘制数据使用Matplotlib库绘制了原始数据和预测数据的折线图。
最终通过运行这段代码可以展示原始数据和预测数据的对比结果以观察GM(1,1)模型的拟合效果。
输出结果 优缺点
优点 模型简单易于理解和应用。 计算效率高适用于数据量较少的情况。 对于一阶线性累加序列的预测准确度较高。 在短期预测中具有一定的预测能力。
缺点 对数据质量要求高在异常值和噪声的情况下容易产生较大的误差。 对于非线性和多阶累加序列的建模能力较弱。 在预测长期趋势和变化方向时的准确度较低。 对参数选择和估计方法敏感可能存在一定的主观性。
需要根据具体问题的特点和数据的特征来选择是否使用灰色预测模型并结合其他模型和方法进行综合分析和预测。 本篇文章摘录自 数模百科 —— GM11
GM(1,1) - 数模百科# 白话文GM(1,1)模型是灰色系统理论中的一个基本模型GM代表灰色模型括号里的第一个1表示这个变量是一阶的第二个1表示模型中只包含一个变量即考虑变量随时间的一阶变化率。https://modelwiki.cn/wiki/d67addc8-ff9f-43f1-92f1-60ed94d1a521
数模百科是一个由一群数模爱好者搭建的数学建模知识平台。我们想让大家只通过一个网站就能解决自己在数学建模上的难题把搜索和筛选的时间节省下来投入到真正的学习当中。
我们团队目前正在努力为大家创建最好的信息集合从用最简单易懂的话语和生动形象的例子帮助大家理解模型到用科学严谨的语言讲解模型原理再到提供参考代码。我们努力为数学建模的学习者和参赛者提供一站式学习平台目前网站已上线期待大家的反馈。
如果你想和我们的团队成员进行更深入的学习和交流你可以通过公众号数模百科找到我们我们会在这里发布更多资讯也欢迎你来找我们唠嗑。
