GM(1,1)模型的应用

《GM(1,1)模型的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、GM(1,1)预测模型的应用灰色预测是基于GM(1,1)预测模型的预测，按其应用的对象可有四种类型：(1)数列预测。这类预测是针对系统行为特征值的发展变化所进行的预测。(2)灾变预测。这类预测是针对系统行为的特征值超过某个阙值的异常值将在何时出现的预测。(3)季节灾变预测。若系统行为的特征有异常值出现或某种事件的发生是在一年中的某个特定的时区，则该预测为季节性灾变预测。(4)拓扑预测。这类预测是对一段时间内系统行为特征数据波形的预测。例1（数列预测）：设原始序列试用GM(1,1)模型对进行模拟和预测，并计算模拟精度。解：第一步：对进行一次累加，得第二步：对作准光滑性检验。由得。当k>3时准光滑

2、条件满足。第三步：检验是否具有准指数规律。由得当k>3时，，准指数规律满足，故可对建立GM(1,1)模型。第四步：对作紧邻均值生成，得于是第五步：对参数列进行最小二乘估计。得第六步：确定模型及时间响应序列第七步：求的模拟值第八步：还原求出的模拟值。由得第九步：检验误差。由下表可算出残差平方和：误差检验表序号实际数据模拟数据残差-相对误差23453.2783.3373.3903.6793.23003.35453.48173.61360.0460-0.0175-0.09170.06541.40%0.52%2.71%1.78%平均相对误差1.6025%第十步：预测例2（灾变预测）：某企业生产用原料属

3、受自然灾害影响较大的农产品。一般来说，自然灾害的发生有其偶然性，但对历史数据的整理，仍可发现一定的规律性。为尽量减少生产不受自然灾害的影响，该企业希望了解影响原料供应的规律性并提前做好原料储备，所收集数据见下表，并规定每亩平均收获量小于320千克时为欠收年份，将影响原料的正常供应，现应用灰色灾变预测来预测下次发生欠收的年份。原料收获统计表年份199119921993199419951996199719981999收获量(千克)390.6412320559380542553310561年份20002001200220032004200520062007收获量(千克)300632540406.23

4、14576587318第一步：将上表中年份用序号替换，并找出收获量小于320千克的年份序号形成初始序列。本例初始序列：一次累加生成序列：的紧邻均值生成序列：第二步：按建GM(1,1)模型。第三步：预测当t=6时，因此，下次发生收获量小于320千克的年份为：2011年至2012年，即四至五年后将出现欠收年份。其他预测类型见参考书。五、残差GM(1,1)模型当GM(1,1)模型精度不符合要求时，可使用残差序列建立GM(1,1)模型，对原来模型进行修正，以提高精度。定义4设其中，-为的残差序列。若存在k0，满足1.2.，则称为可建模残差尾段，仍记为命题1设为可建模残差尾段，其一次累加序列的GM(1,

5、1)模型的时间响应式为则残差尾段的模拟序列为其中定义5若用修正则称修正后的时间响应式为残差修正GM(1,1)模型，简称残差GM(1,1)。其中残差修正值的符号应与残差尾段的符号保持一致。定义6若则相应的残差修正时间响应式称为累减还原式的残差修正模型。例题湖北省云梦县油菜发病率数据为建立GM(1,1)模型，得时间响应式为作累减还原，得检验其精度：列出误差检验表误差检验表序号实际数据模拟数据残差-相对误差234567891011121320402540453521141815.5171535.670433.430331.330829.368227.519225.790124.171922.6534

6、21.230719.897418.647817.4768-15.67046.5697-6.330810.631817.48089.2099-3.1719-8.6534-3.2307-4.3974-1.6478-2.476878.3540%16.4242%25.3232%26.5795%38.8642%26.3140%15.1043%61.8100%17.9483%28.3703%9.6926%16.5120%平均相对误差30.11%由此可见，相对精度不到70%，需采用残差模型进行修正。取k0=9，得残差尾段此为可建模残差尾段，去绝对值，得建立GM(1,1)模型，得的一次累加序列的时间响应式：其

7、导数还原值为由可得累减还原式残差修正模型为其中，的符号与原始残差序列的符号一致。按此模型，可对k=10,11,12,13四个模拟值进行休整，修正后的精度如下表：误差检验表序号实际数据模拟数据残差-相对误差101112131815.5171517.185816.479915.760415.03720.8142-0.97991.2396-0.03724.52%6.32%7.29%0.25%平均相对误差