Skip to content

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 x(0)(k) 构造累加序列 x(1)(k)=∑i=1kx(0)(i),取相邻累加值的平均 z(1)(k)=[x(1)(k−1)+x(1)(k)]/2。对 k=2,…,n 以最小二乘拟合

x(0)(k)+az(1)(k)=b.

把差分近似用在一阶方程 dx(1)/dt+ax(1)=b。取第一项作初值,a≠0 时响应与还原为

x^(1)(k)=(x(0)(1)−b/a)e−a(k−1)+b/a,x^(0)(k)=x^(1)(k)−x^(1)(k−1),k≥2.

a=0 时使用线性响应 x^(1)(k)=x(0)(1)+b(k−1)。当 a 接近零,计算需避免相消。背景值与经典方程可对照灰色模型研究中的定义。GM(1,1) 背景值与最小二乘

用前四期预计第五期的假设算例 ​

设原序列是 (10,12,14.4,17.28)。累加后得到 (10,22,36.4,53.68),三项背景值为 (16,29.2,45.04)。将背景值和对应原值代入方程,恰得 a=−2/11、b=100/11。此时 x^(1)(k)=60e2(k−1)/11−50,第五期原尺度预测为 60(e8/11−e6/11)≈20.64。若直接按历史每期增长 20% 外推,第五期为 20.736。两者相差来自增长表达及离散近似,实际谁更准要等留出期判断。

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。

GM(1,1) 计算分步演示:累加 → 背景值 → 参数估计 → 时间响应 → 还原 → 预测
x(0)(5) = 3.679(固定)
123450.001.12.13.24.3期次 k →2.873.283.343.393.68

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
GM(1,1) 无统计预测区间,请勿用「置信区间」表述其预测不确定性;改用逐点相对误差、后验差比 C 与小误差概率 P 评价拟合质量(等级:C<0.35 且 P>0.95,拟合精度高)。一级判定已在上方徽章标出。 本演示为教学分步,展示真实计算流程;参数变化会重算并回到第 1 帧。

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 C 和小误差概率 P 用于描述样本误差,样本外表现仍需用留出数据检查。

与 Python 算例一致的数值表 ​

灰色模型 GM(1,1) 对经典数据 (2.874, 3.278, 3.337, 3.390, 3.679) 的预测结果如下(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 x(1)2.874, 6.152, 9.489, 12.879, 16.558
背景值 z(1)(k)(k=2..5)4.513, 7.8205, 11.184, 14.7185
参数 a, ba=−0.037204,b=3.065363
拟合 x^(0)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 C / 小误差概率 PC=0.212472,P=1.0 → 一级

退化情况说明 ​

  • a≈0(|a|<10−12):序列近似线性增长时出现,例如常数序列 (2,2,2,2)。此时改用极限形式 x^(1)(k)=x(0)(1)+b(k−1),还原后 x^(0)(k)=b(k≥2),预测恒为 b。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 <4 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 S1=0,C=S2/S1 无定义;残差全零时按完美拟合记 C=0、P=1,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 (10,12,14.4,17.28) 为训练数据,再假设留出的四期读数是 (20.1,23.3,25.0,25.4),逐渐接近 26 的容量上限。程序在第 4 期末作一次四步预测。GM(1,1) 用前四期累加、形成背景值并估计参数。上期值基线把未来各期都预测成 17.28。线性漂移基线把前三个已知增量取平均,得到每期加 (17.28−10)/3。三种方法的预测都只使用训练数据,留出的四期只用来评分。

背景值回归用 [−z(1)(k),1] 乘 (a,b)T,从而保持 x(0)(k)+az(1)(k)=b 的符号。代码把正文的两个累计响应式相减,并合并成原尺度表达式。对 k≥2 有

x^(0)(k)=(b−ax(0)(1))e−a(k−2)1−e−aa.

当 a 接近 0 时,用 -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。a=0 时这一项取其极限 1,得到 x^(0)(k)=b。

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 10−9 的绝对容差核对背景值、预测和各项 MAE 即可。

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
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))
下载当前源码

下载 Python 源码 · 下载 MATLAB 源码

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 17.28×1.2h,h=1,2,3,4,可得到 20.736、24.8832、29.85984、35.831808。GM 预测与这四项的差依次约为 0.094、0.125、0.165、0.216,MAE 约 0.150。线性漂移的 MAE 约 4.481,因而在这个增长持续的窗口中 GM 排到第一。测试数据的生成机制改变后,模型排名也可能改变。

关联文章 ​

MathModel FAQ · 数学建模知识库