久违了,前段时间由于学习压力大,就没怎么更新MATLAB相关的内容,今天实在学不进去了,换个内容更新一下~
本贴介绍灰色预测模型,这也是数学建模竞赛常见算法中的一员,和许多预测模型一样——底层原理是根据已知数据对未知进行预测~
一.理论部分
灰色预测是对既含有已知信息又含有不确定信息的系统进行预测,就是对在一定范围内变化的、与时间有关的灰色过程进行预测。 灰色预测对原始数据进行生成处理来寻找系统变动的规律,并生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。
灰色系统理论运用灰色数学处理不确定性量化问题,并充分利用已知信息,寻求系统运动规律。其独特之处在于适用于处理信息匮乏的系统。
灰色生成是通过对原始数据进行特定要求的处理,揭示出数据背后的内在规律。常用的生成方法包括累加生成、累减均值生成和级比生成。
所谓的GM(1,1)模型: Grey(Gray) Model,本质上就是一维层面的预测~
至于模型更底层复杂的数学原理就不展开详解了,大家自行收集资料,此处主要讲解套路~
二.例题讲解
如下是有关棉花生产的数据:
年份 | 单产 | 种子费 | 化肥费 | 农药费 | 机械费 | 灌溉费 |
kg/公顷 | 元/公顷 | 元/公顷 | 元/公顷 | 元/公顷 | 元/公顷 | |
1990 | 1017 | 106.05 | 495.15 | 305.1 | 45.9 | 56.1 |
1991 | 1036.5 | 113.55 | 561.45 | 343.8 | 68.55 | 93.3 |
1992 | 792 | 104.55 | 584.85 | 414 | 73.2 | 104.55 |
1993 | 861 | 132.75 | 658.35 | 453.75 | 82.95 | 107.55 |
1994 | 901.5 | 174.3 | 904.05 | 625.05 | 114 | 152.1 |
1995 | 922.5 | 230.4 | 1248.75 | 834.45 | 143.85 | 176.4 |
1996 | 916.5 | 238.2 | 1361.55 | 720.75 | 165.15 | 194.25 |
1997 | 976.5 | 260.1 | 1337.4 | 727.65 | 201.9 | 291.75 |
1998 | 1024.5 | 270.6 | 1195.8 | 775.5 | 220.5 | 271.35 |
1999 | 1003.5 | 286.2 | 1171.8 | 610.95 | 195 | 284.55 |
2000 | 1069.5 | 282.9 | 1151.55 | 599.85 | 190.65 | 277.35 |
2001 | 1168.5 | 317.85 | 1105.8 | 553.8 | 211.05 | 290.1 |
2002 | 1228.5 | 319.65 | 1213.05 | 513.75 | 231.6 | 324.15 |
2003 | 1023 | 368.4 | 1274.1 | 567.45 | 239.85 | 331.8 |
2004 | 1144.5 | 466.2 | 1527.9 | 487.35 | 408 | 336.15 |
假设我们不知道2005-2007这三年的单产数据,请你用过去15年的数据来预测这三年的产量。
1.传统GM模型的代码
function [result, x0_hat, relative_residuals, eta] = gm11(x0, predict_num)n = length(x0); x1=cumsum(x0); z1 = (x1(1:end-1) + x1(2:end)) / 2; y = x0(2:end); x = z1; k = ((n-1)*sum(x.*y)-sum(x)*sum(y))/((n-1)*sum(x.*x)-sum(x)*sum(x));b = (sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/((n-1)*sum(x.*x)-sum(x)*sum(x));a = -k; x0_hat=zeros(n,1); x0_hat(1)=x0(1); for m = 1: n-1x0_hat(m+1) = (1-exp(a))*(x0(1)-b/a)*exp(-a*m);endresult = zeros(predict_num,1); for i = 1: predict_numresult(i) = (1-exp(a))*(x0(1)-b/a)*exp(-a*(n+i-1)); endabsolute_residuals = x0(2:end) - x0_hat(2:end); relative_residuals = abs(absolute_residuals) ./ x0(2:end); class_ratio = x0(2:end) ./ x0(1:end-1) ; eta = abs(1-(1-0.5*a)/(1+0.5*a)*(1./class_ratio));
end
2.原始数据检验
此处选用【单产】作为示例~
year =[1995:1:2001]'; % 横坐标表示年份,写成列向量的形式(加'就表示转置)
yield= [1017
1036.5
792
861
901.5
922.5
916.5
976.5
1024.5
1003.5
1069.5
1168.5
1228.5
1023
1144.5
]'; %原始数据序列,写成列向量的形式(加'就表示转置)
ERROR = 0; % 建立一个错误指标,一旦出错就指定为1
% 判断是否有负数元素
if sum(yield<0) > 0 disp('灰色预测的时间序列中不能有负数!')ERROR = 1;
end% 判断数据量是否太少
n = length(yield); % 计算原始数据的长度
disp(strcat('原始数据的长度为',num2str(n)))
if n<=3disp('数据量太小')ERROR = 1;
end% 数据太多时提示可考虑使用其他方法
if n>10disp('考虑使用其他的方法')
end% 判断数据是否为列向量,如果输入的是行向量则转置为列向量
if size(yield,1) == 1yield = yield';
end
if size(year,1) == 1year = year';
end
3.准指数规律检验
if ERROR == 0 disp('准指数规律检验')x1 = cumsum(yield); rho = yield(2:end) ./ x1(1:end-1) ; rhofigure(2)plot(year(2:end),rho,'o-',[year(2),year(end)],[0.5,0.5],'-'); grid on;text(year(end-1)+0.2,0.55,'临界线') set(gca,'xtick',year(2:1:end)) xlabel('年份'); ylabel('原始数据的光滑度'); disp(strcat('指标1:光滑比小于0.5的数据占比为',num2str(100*sum(rho<0.5)/(n-1)),'%'))disp(strcat('指标2:除去前两个时期外,光滑比小于0.5的数据占为',num2str(100*sum(rho(3:end)<0.5)/(n-3)),'%'))disp('参考标准:指标1一般要大于60%, 指标2要大于90%!') Judge = input('你认为可以通过准指数规律的检验吗?可以通过请输入1,不能请输入0:');if Judge == 0disp('灰色预测模型不适合你的数据!')ERROR = 1;end
end
4.传统的GM(1,1)预测
if n > 7test_num = 3;elsetest_num = 2;endtrain_yield = yield(1:end-test_num); disp('训练数据是: ')disp(mat2str(train_yield')) test_yield = yield(end-test_num+1:end); disp('试验数据是: ')disp(mat2str(test_yield'))
disp(' ')disp('***下面是传统的GM(1,1)模型预测的详细过程***')result1 = gm11(train_yield, test_num);
5.评估误差精度
%% 残差检验average_relative_residuals = mean(relative_residuals); disp(strcat('平均相对残差为',num2str(average_relative_residuals)))if average_relative_residuals<0.1disp('该模型对原数据的拟合程度非常不错!')elseif average_relative_residuals<0.2disp('该模型对原数据的拟合程度达到一般要求!')elsedisp('该模型对原数据的拟合程度不太好!')end%% 级比偏差检验average_eta = mean(eta); % 计算平均级比偏差disp(strcat('平均级比偏差为',num2str(average_eta)))if average_eta<0.1disp('该模型对原数据的拟合程度非常不错!')elseif average_eta<0.2disp('该模型对原数据的拟合程度达到一般要求!')elsedisp('该模型对原数据的拟合程度不太好!')enddisp(' ')
答案如下,大家自己尝试(每个单独预测一遍,因为GM(1,1)只针对一维数据~)
年份 | 单产 | 种子费 | 化肥费 | 农药费 | 机械费 | 灌溉费 |
kg/公顷 | 元/公顷 | 元/公顷 | 元/公顷 | 元/公顷 | 元/公顷 | |
2005 | 1122 | 449.85 | 1703.25 | 555.15 | 402.3 | 358.8 |
2006 | 1276.5 | 537 | 1888.5 | 637.2 | 480.75 | 428.4 |
2007 | 1233 | 565.5 | 2009.85 | 715.65 | 562.05 | 456.9 |
三.实战案例
1.2022年美赛C题
根据现有数据,通过灰色预测模型,预测比特币和黄金两种波动资产的走向,拟合优度较高,残差与级比偏差均很低,预测模型的可信度较高~
2.2022亚太赛C题
上图是准指数检验~
通过BP神经网络、多元线性回归以及灰色预测3种方式预测气温变化~结果可信度较高