4.5.1.1 数据处理
GM建模时,需采取一定的方式对原始数据进行生成处理,使生成数据序列变成有规则序列。这样做,旨在:①为建模提供中间信息;②弱化原随机序列的随机性。
累加生成(Accumulated Generating Operation,简称AGO),即对原始数列中各时刻的数据依次累加,从而形成新的序列。设原始数列为
若对X(0)作m次累加生成(记作m—AGO),则有
一般地,随着对非负数列累加生成次数的增加,数列的随机性趋于弱化;当累加生成次数足够多时,该序列便由随机序列转变为非随机序列了。在GM模型中,一般只对数列作1 次累加生成(1—AGO)。
累减生成(Inverse Accumulated Generating Operation,简称IAGO)是AGO的逆运算,即对序列中前、后两数据进行差值运算。
令
相应地有
4.5.1.2 光滑离散函数
由于GM建模一般是针对离散数列而言的,因而要求它符合灰指数律,并可用光滑离散函数来描述。所谓光滑离散函数是与光滑函数相比较而言的,当离散函数与光滑函数的性质大致相近时,就可认为它是某一光滑函数的离散形式。
判断一个离散函数是否光滑的弱条件:设X(0)为非负离散函数
令
在所有的GM 模型中,作预测用的GM 模型一般为GM(n,1)模型。其中,在实际中应用得最多的是GM(1,1)模型。本节研究的是等时距序列GM(1,1)模型。
4.5.1.3 GM(1,1)模型的求解
设X(0)为原始非负序列
检验X(0)是否满足准光滑性条件,即
如果存在m(m=1,2,…,n),当k>m 时,ρ(k)<0.5,那么满足准光滑条件。
检验X(1)是否满足准指数规律,即
如果存在m(m=1,2,…,n),当k>m 时,σ(k)[1,1.5],δ=0.5,那么满足准指数规律。
(www.daowen.com)
GM(1,1)模型的基本形式为如下灰色微分方程
用最小二乘法求解参数a、b,得
GM(1,1)模型的白化方程为
式(4.5.14)的解(也称为时间响应函数)为
则式(4.5.12)的时间响应函数序列为
4.5.1.4 GM(1,1)模型的特性及适用范围
研究表明,GM(1,1)模型的有效性与其发展系数-a 的取值区间有关。一般地,当|a|<2 时,GM(1,1)模型有意义。但随着a 的不同取值,预测效果也不同。对于-2<a<0,即发展系数0<-a<2 的情形,刘思峰等(2000)对-a 分别取不同的值进行了模拟分析,得到了以下结论。
1)当-a≤0.3 时,GM(1,1)模型可用于中长期预测。
2)当0.3<-a≤0.5 时,GM(1,1)模型可用于短期预测,中长期预测慎用。
3)当0.5<-a≤0.8时,用GM(1,1)模型作短期预测应十分谨慎。
4)当0.8<-a≤1 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。
可见,依据GM(1,1)模型进行预测,必需一定的检验手段。为提高预测精度,必要时应对残差作进一步处理,也就是需要进行原始数据序列的残差辨识;而当残差值达到规定时,才能进行预测。GM(1,1)模型的预测精度通常用后验差检验方法进行检验。
令S1 为原始数据列的均方差,S2 为残差序列的均方差,其表达式分别为:
然后,计算后验差比值C 以及小误差概率p,其表达式分别为:
一般地,可按照p 和C 值将模型的精度分为四级(傅立,1992),见表4.5.1。显然,只有当p、C 值均在允许范围之内,方可将所建模型用于预测;否则需进行残差修正以保证预测结果的可靠性。
表4.5.1 GM(1,1)模型精度检验的经验指标
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。