主题
灰色预测 GM(1,1)
方法速览
- 主要用途 用单一发展趋势做短序列的近期预测。
- 必要输入 等间隔的正值历史序列与明确的预测步长。
- 适用条件 相邻值比例较稳定,单一指数型变化有业务依据。
- 典型不适用情况 周期波动、频繁跳变、大量零值或已知容量即将限制增长。
- 最低限度的验证方式 在原尺度用同窗留出对比上期值或简单趋势,并检查少量观测变动的影响。
什么样的短序列值得一试
当历史很短、等间隔、值为正且变化方向较稳定时,经典 GM(1,1) 可作为短期预测候选。它用一条序列拟合单一发展趋势,例如用几期处于稳定增长阶段的消耗量估下一期。数据少时尤其需要检验增长近似是否合理。对周期往复、水平多次跳变、含许多零值或由外部事件主导的序列,先考虑更贴合生成过程的解释或基线。
从累加到还原
对观测
把差分近似用在一阶方程
用前四期预计第五期的假设算例
设原序列是
怎样和简单方法比较
上期值是最低成本的基线。水平附近有上下噪声时,简单指数平滑通常更贴近设定。短序列趋势弯曲程度很小,可和线性趋势比较。GM 用自己的历史外推,缺少可识别的外部效应。累计序列即使看上去贴得很紧,原序列上仍可能有较大误差,应以实际关心的原尺度交付。
对经典模型,从第二期起,非零的还原值按固定倍率递推。若业务已知增长会被容量压住,或峰值应随季节反复出现,单一指数轨迹无法同时表达这些规律。可以把预计容量和季节朴素值画在同一张图上作为对照,限制预测的使用范围。
第一次验证怎样开展
先画原序列、相邻值比例和拟合残差,看是否有结构变化。若长度允许,在相同的历史窗口与上期基线、简单趋势做滚动一步或两步对比,并检查去掉头一项或尾一项后结果是否剧变。留出样本太少时,明示验证时点数及使用期限。已知数量必须非负或有容量上限时,核对预测是否可用。
容易误判的依据
固定几个样本数的经验要求只能筛候选,无法保证短序列能预测。把第一项作为初值会使这一点天然吻合,不宜用它作为预测成功的证据。先看模型是否失败在周期、突变或单个异常,再决定是否换方法。
数量级过大时可先用固定正系数换单位,输出再按相同单位换回。处理前后要明确记下转换系数,以免交付累加值或换算错单位。
动态演示
灰色模型 GM(1,1) 是最常用的灰色预测模型:它对小样本、贫信息序列做预测时只需要 4 期以上的非负数据。下方演示按灰色模型的真实计算流程分步展示:原始序列 → 一次累加 → 背景值 → 参数估计 → 时间响应 → 逆累加还原 → 拟合对比 → 预测。参数面板可编辑前 4 个原始值(限非负,第 5 个固定)与预测步数(1–5),「默认数据」恢复经典算例;改动后自动重算并回到第 1 帧。
x(0)(5) = 3.679(固定)
x(0)
a = -0.0372
b = 3.0654
后验差比 C = 0.2125
小误差概率 P = 100.00%
精度等级 一级
原始序列 x(0) = [2.87, 3.28, 3.34, 3.39, 3.68]。GM(1,1) 先对它做一次累加,把波动「抹平」。
1 / 8
这个演示采用背景值最小二乘,分帧显示累加、构造背景值和还原原序列的实际计算。经典 GM(1,1) 直接给出点预测。逐点相对误差、后验差比
与 Python 算例一致的数值表
灰色模型 GM(1,1) 对经典数据 examples/gm11_demo.py,numpy 2.5.3 独立重算,与前端引擎一致):
| 量 | 数值 |
|---|---|
| 一次累加 | 2.874, 6.152, 9.489, 12.879, 16.558 |
| 背景值 | 4.513, 7.8205, 11.184, 14.7185 |
| 参数 | |
| 拟合 | 2.874, 3.232039, 3.354550, 3.481704, 3.613679 |
| 逐点相对误差 | 0.00%, −1.40%, 0.53%, 2.71%, −1.78% |
| 预测 3 步 | 3.750656, 3.892825, 4.040383 |
| 后验差比 |
退化情况说明
( ):序列近似线性增长时出现,例如常数序列 。此时改用极限形式 ,还原后 ( ),预测恒为 。组件会标记「a ≈ 0」并给出说明。 - 含零值:输入非负即可,零值合法(背景值含 0 不影响公式),但该点的相对误差无定义,组件显示「—」。
- 负值 / 样本不足:负值序列与样本数
会抛错(GM(1,1) 要求非负、至少 4 期)。全零序列(背景值方差为零)参数不可识别,同样抛错。 - 常数序列的后验差:原始序列零方差时
, 无定义;残差全零时按完美拟合记 、 ,但此时后验差检验已失去判别意义,应改用相对误差直接判断。
双语言实验:增长遇到容量上限
以正文的四期需求量
背景值回归用
当 -expm1(-a)/a 计算最后一项,避免直接用 1 减去一个与 1 非常接近的数。
左图看三种预测随时间怎样分开,右图看每一步的绝对误差。GM 预测第一步约 20.64,第四步约 35.62,其中第四步已经超过设定的容量。四期 MAE 分别为 GM 4.228、上期值 6.170、线性漂移 0.897。这个窗口说明,一种方法可能比最简单的基线好,却被另一条基线明显超过。实际应用还要在多个历史起点比较相同步长的误差。
Python 运行前安装 python -m pip install numpy matplotlib,在下载目录运行 python mmf_gm11.py。MATLAB 版面向 R2020a 及更新版本,只使用基础 MATLAB,把文件放进当前文件夹后运行 result = mmf_gm11()。GNU Octave 兼容性未验证。NumPy 用 lstsq,MATLAB 用反斜杠,两个实现均从满列秩的背景值矩阵求最小二乘。按
按累加生成、均值背景、最小二乘、还原的顺序,用 2、3、4.5、6.75 检查 a=-0.4、b=1.6。完整实践再检查级比与样本外误差。
最简版依赖 Python:NumPy。MATLAB:基础功能,无需额外工具箱。
在源码所在目录运行 python mmf_min_gm11.py
py
下载当前源码import json
import numpy as np
x = np.array([2., 3., 4.5, 6.75])
accumulated = np.cumsum(x)
background = (accumulated[:-1] + accumulated[1:]) / 2
# GM(1,1) 的离散回归式为 x(k) + a·z(k) = b,未知量只有 a 与 b。
design = np.column_stack((-background, np.ones_like(background)))
a, b = np.linalg.lstsq(design, x[1:], rcond=None)[0]
# 响应从 k=1 起算。下一期原尺度值取相邻累加预测之差。
forecast = float((x[0] - b / a) * (np.exp(-4 * a) - np.exp(-3 * a)))
assert np.allclose([a, b], [-.4, 1.6]) and 9.7 < forecast < 10.0
result = {"a": float(a), "b": float(b), "background": background.tolist(), "forecast": forecast}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))练习 保持前四期数据,把留出值改成继续按每期 20% 增长的四个数。重新计算 MAE,观察模型排序是否改变。
展开参考解答
留出值用