主题
灰色预测模型效果很差怎么办?
先区分拟合误差和外推误差
常见 GM(1,1) 先对原序列累加,在累加序列上建立一阶模型,再逆累加获得原口径预测。累加曲线看起来平滑时,原尺度上的误差仍可能很大。先将预测值和实际值按时间放在一张图上,并区分拟合区间与真正的预测区间。 邓聚龙《Introduction to Grey System Theory》
检查实现,再检查序列形态
- 做一段手工累加和还原。 原序列
[10, 12, 15]累加后为[10, 22, 37],相邻累计值的差依次对应原序列的第二、第三项。用它核验数据排序、起始点和下标。核对背景值与原序列响应是否对齐,预测步数是否从样本末尾接续。参数估计可用稳定的最小二乘实现,检查系数是否对微小改动异常敏感。 - 检查采样和模型假设。 标准形式按等间隔建模,需要识别缺期和不一致的统计口径。常见使用场景是正值且变化较平缓的短序列。交替出现高低峰、一次性跃迁或见顶回落时,简单指数形态往往难以表达。存在零或负值时先查其业务含义和当前版本的适用性;若为满足筛查而平移序列,还应检验还原后的预测及其对平移量的敏感性。
- 查误差来源并调整候选。 若断点之后水平改变,可比较只用断点后数据的模型和近期均值,说明样本减少带来的不确定性。若周内或年内规律明显,比较季节朴素法或带季节成分的模型。若只有少量点,限制模型与参数候选数量,避免用同一段验证数据反复选窗口和变换。
怎样验证修复
在若干预测起点,只用当时可见的历史重新估计模型,按实际需要的一步或多步跨度比较 MAE 与朴素基线。近零实际值会让 MAPE 难以解释,可以改用原单位误差。若 GM(1,1) 的优势仅来自样本内,或少数起点的误差变化特别大,公布逐期误差并按用途选择模型。