预测模型与案例
预测模型
最近几年，在全国大学生数学建模竞赛常常出现预测模型或是与预测有关的题目，例如疾病的传播，雨量的预报等。什么是预测模型？如何预测？有那些方法？对此下面作些介绍。
预测作为一种探索未来的活动早在古代已经出现，但作为一门科学的预测学，是在科学技术高度发达的当今才产生的。“预测”是来自古希腊的术语。我国也有两句古语：“凡事预则立，不预则废”，“人无远虑，必有近忧”。卜卦、算命都是一种预测。中国古代著名著作“易经”就是一种专门研究预测的书，现在研究易经的人也不少。古代的预测主要靠预言家，即先知们的直观判断，或是借助于某些先兆，缺乏科学根据。预测技术的发展源于社会的需求和实践。20世纪初期风行一时的巴布生图表就是早期的市场预测资料，哈佛大学的每月指数图表为商品市场、证券市场和货币市场预测提供了依据。然而这些预测都未能揭示1929－1930年经济危期的突然暴发，使工商界深感失望。尔后，经济学家们从挫折中吸取了教训，采用趋势和循环技术对商业进行分析和预测，科学预测也因此开始萌生。20世纪30年代凯思斯提出政府干预和市场机制相结合的经济模型，1937年诺依曼又提出了扩展经济模型，对近代经济模型产生重要的影响，科学的经济和商业预测也就步入发展阶段。
技术预测开始于二次世界大战后的20世纪40年代，直到20世纪50年代未才广泛应用于工农业和军事部门。由于社会、科学技术
和经济的大量需求，预测技求才成为一门真正的科学，预测未来是当代科学的重要任务。
20世纪以来，预测技术所以得以长足进步，一方面，与社会需求有很大关系，另一方面通过社会实践和长期历史验证，表明事物的发展是可以预测的。而且借助可靠的数据和科学的方法，以及预测技术人员的努力，预测结果的可靠性和准确性可以达到很高的程度，这也是预测技术迅速发展的另一个重要原因。
科学技术、经济和社会预测的应验率也是很高的。维聂尔曾预言20世纪是电子时代，法国思想家迈希尔18世纪末到19世纪初对巴黎未来几百年的发展进行了预测。从1950年的实际情况分析，他的预测中有36％得到证实，28％接近实现，只有36％是错误的。法国哲学家和数学家冠道塞在法国大革命时期曾采用外推法进行了一系列社会预测，其中75％得到证实。沙杰尔莱特1901年在《二十世纪的发明》一书中的一些预测，其中64％得到证实。凯木弗尔特在1910年和1915年公布的25项预测中，到1941年只有3项未被证实，3项是错误的。我国明朝开国功臣刘基就预测将来是天上铁鸟飞，地上铁马跑，那时还没有火车、飞机。
预测的目的在于认识自然和社会发展规律，以及在不同历史条件下各种规律的相互作用，揭示事物发展的方向和趋势，分析事物发展的途径和条件，使人们尽早地预知未来的状况和将要发生的事情，并能动地控制其发展，使其为人类和社会进步服务。因而预测是决策的重要的前期工作。决策是指导未来的，未来既是决策的依据，又是决
策的对象，研究未来和预测未来是实现决策科学化的重要前提。预测和决策是过程的两个方面，预测为决策提供依据，而预测的目的是为决策服务，所以不能把预测模型和决策模型截然分开，有时也把预测模型称为决策模型。
一预测的前期准备工作
为保证预测结果的精确度，预测之前必须做一系列的准备工作：（一）数据的准备
数据是预测工作的前提和重要依据，预测不能是臆造和空想，任何事物的发展都有一定的规律，认真研究预测对象并充分考察预测对象所处的环境，以系统分析的方法对过去和现在的数据进行总结，从中找出规律，便可科学地推断未来。
数据在预测中主要有两个作用：（1）、用于确定由某些历史观察点组成的行为模型；（2）、在因果模型预测中确定自变量的未来值。
预测的初始阶段，首先是从事数据的收集、整理、加工和分析，为建模创造良好的条件。
（Ⅰ）数据的收集和整理
按时态分，数据可分为历史数据和现实数据；按预测对象分，可分为内部数据和外部数据；就收集的手段分，可分为第一手数据和第二手数据。
第一手数据，包括以各种形式初次收集的数据。收集第一手数据的途径包括：抽样调查，连续调查，或全面调查。在预测的定性方法中常常需要第一手数据，例如特尔斐法的第一个阶段就是收集第一手
数据。由于获取第一手数据的费用较高，时间较长，所以定量方法常采用第二手数据。
第二手数据多为已经公布和发表的资料，易于获取，代价低，数据精度也有一定的保证。其缺点是数据可能不能直接适用于预测情况。因此，常常需要对已公布的数据进行修正和处理，使其适应于预测需要。
无论是第一手数据还是第二手数据，都可能是混乱的、无序的、彼此间孤立的。预测人员都应将原始数据按“单元”或“类别”整理和集中，以便使其成为内容上完整、有序、系统，形式上简明统一的数据。
（Ⅱ）数据的分析和处理
建模不仅需要大量的数据，同时数据必须可靠，并适合建模的要求。这些数据虽然是历史的客观写照，但有可能是失真的数据。对于失真的数据，以及不符合建模的数据，必须通过分析，加以适当处理。
1．处理的原则
（1）准确，处理后的数据能正确反映事物发展的未来趋势和状况；
（2）及时，数据的处理要及时；
（3）适用，处理的数据能满足建模的需要；
（4）经济，要尽量减少数据处理的费用，以降低预测成本；
（5）一致，指处理的数据在整个使用期间内必须是一致的，具有可比较性。
2．处理方法
（1）判别法
通过对历史数据的判断，选择其中可代表整个预测过程中很可能发生的模式的数据作为建模数据；
（2）剔除法
如果数据量比较大，且非必须具备连续的数据量，这时可剔除数据中受随机干扰的异常值；
（3）平均值法
在数据比较少或需要连续数据时，则可采取平均值法对数据进行处理。
对于时间序列数据，可用异常值前后两期数据的算术平均值或几何平均值对异常值进行修正，即
11
2
t t t x x x -++=
=t 或
x
通常当历史数据的发展趋势呈线性时，取算求平均值，当发展趋势呈非线性时，取几何平均值。
在利用因果关系建立数学模型时，为去掉偶然因素对建立模型的影响，可采用下面的计算方法对统计数据中的异常数据加以修正： 当x 与y 之间为线性因果关系时，取
2l l m m
k k
y x y x y x +=
当x 与y 之间为非线性因果关系时，取
k k
y
=
式中
k y 为有随机因素影响时期因变量的估计值，k x 是与之对应的自
变量；,l m x x 是与k x 在数值上相差最小的两个自变量，且
l k m x x x ≤≤
,l m y y 分别是与,l m x x 相对应的因变量统计值
（4）拉平法
由于条件发生变化，常常使一些厉史数据不能反映现时的情况，例如，大型钢铁厂、化肥厂、或油气田的建成投产或开发，可以使产量猛增，这时历史数据将发生突变，出现一个转折，如用这类数据建模，则需要处理。这时拉平法是一种较好的方法。它的原理是对转折点前的数据加一个适当的量值，使其与折点后的数据走向一致。
（5）比例法
销售条件与环境的变化常常会引起一个企业产品市场销售比例的改变。当比例变化较大时，说明销售条件与环境对销售的影响己超过其他因素对销售的影响，也说明以前的销售统计数据所体现出的销售发展规律不再适用之于目前的情况了。如果仍然利用这些数据建立预测模型，将无法体现销售条件和环境变化后的销售量变化的规律，用这样的模型进行预测，将会造成较大的误差。因此，如果还想利用这些数据建立模型，进行预测，就应该把它们处理成能体现条件与环境发生变化之后的情况的数据。对于这类数据，比例法就是一种比较有
效的处理方法。
例如，某一生产生产资料的大型企业，80年代中期前销售额一直呈递增趋势，而80年代中期后，受压缩基建规模的影响，销售量突然下降。又如轿车在80年代中期以前一直是紧俏商品，后因国家实行控购政策，销售量一度急剧下降。这时，对上述某一生产资料销售量或对轿车销售量进行预测，都要考虑政策因素的影响，对于前期数据采用比例法进行适当修正（当时是计划经济，私人买不起轿车。买轿车的都国家机关、企事业单位。）
当然比例法不仅仅限于对数值向下调，也适合向上调。比例法数据处理公式为
t
t i t i t i
t i t i t t i
u y y u y t i y t i u t u t i ------=---其中：年修正后的数年实际数据年的市场占有率年的市场占有率
（6）移动平均和指数平滑法
如果原始数据总体走向具有一定规律性，但因受随机因素干扰，数据离散度很大，采用平均值法也难以处理。这时可采用一次、二次、甚至三次移动平均和指数平滑对数据进行平滑，用平滑的数据建模。 在分解预测时，为处理季节数据，则必须采用高次幂的移动平均法，对数据平滑。
（7）差分法
有些模型，例如鲍克斯-詹金斯模型只能处理平稳数据，如果原始数据为非平稳数据，则需釆取差分处理。差分有三种主要类型：前向差分、后向差分、中心差分。
前向差分：在处理时间数列时，一阶前向差分定义为
'1t
t t x x x +=-
一阶前向差分是当时间由t 变到t +1时，t x 的改变量。
二阶前向差分定义为
'''1212t t t t t t x x x x x x +++'=-=-+
同样，可以定义高阶差分。
后向差分：在处理时间数列时，一阶后向差分定义为
'1t
t t x x x -=-
一阶后向差分是当时间由t 递推到t －1时，t x 的改变量。 二阶后向差分定义为
''''1122t t t t t t x x x x x x ---=-=-+
同理可以定义高阶后向差分
中心差分：在处理时间数列时，一阶中心差分定义为
112
2
't
t t x x x +-=-
二阶中心差分定义为
112
2
''''112t
t t t t t x x
x
x x x +-+-=-=-+
同理可以定义高阶中心差分。
在处理时间数列时，主要应用后向差分。一次多项式数据通过一阶差分就可转换为平稳数据，二次多项式和三次多项式数据分别通过二阶和三阶差分可转换为平稳数据，而三次以上的高次多项式在应用中很少采用。
（Ⅲ）数据的内涵及数量
在预测过程中，由于预测对象不同，预测内容不同，以及预测期限不同，所需的数据内涵及数量也不同。
经济预测的数据主要包括：
（1）国民经济总产值及各部类的分配情况； （2）各行业的生产规模和生产能力以及技术水平； （3）政府的经济政策及产业政策； （4）生产力布局；
（5）人口发展趋势及就业情况； （6）国民经济投资及分配； （7）国际环境及变化趋势。
市场需求预测需要的数据主要有：
（1）人口及人均收入；
（2）国民收入的增长及分配情况；；
（3）与产品消费直接有关的政府政策和法规，如进口限制、进口税、销售稅和其它税费、信贷管理及外费管理等。
（4）一段时期内产量和产值的生产能力；
（5）一段时期内的产品的进口量；
（6）代用品或近似代用品的产量和进口量；
（7）与有关新投入的产品前后关联度高的产品的产量；
（8）国家计划规定的产品或代用品的生产指标；
（9）产品出口量；
（10）个人或集体消费者们的实贯或嗜好；
（11）法律方面的资料。
二专家的选择和专家组的组成
在现实生活中，有时不得不在不确定的条件下作出决策，这是因为或者决策的制约因素过多，或者其中某些因素无法度量。我们常称之为定性因素。为这类决策提供预测，因为没有严格的理论依据，定量方法无法采用。在这种情况下，借助专家的经验判断则有可能作出定量方法难以得到的科学预测。专家的素质取决于他的知识、经验、智慧和对未来的预测能力，以及其他一些因素。实践表明，在当今如此复杂多变的情况下，任何个人或一个专家都难于作出较精确的预测。必须集中多方专家的意见才能作出科学的预测。因此选择专家组成员是预测能否成功的重要环节，是预测要做的首要工作。应邀的专家要具有广泛的知识，对预测所涉及主题的各领域应有较深的造诣。选择专家不能简单从事，不能事先未经征得同意就将调查表发给拟邀请的专家。因为有的专家可能不愿意参加这项预测。那么选择专家应如何进行呢？
（一）什么叫专家
在组织专家预测时，专家是个广义的概念，拟选的专家不能仅仅局限于一个领域的权威，因为权威人数是有限的。特尔斐法拟选的专家是指在该领域从事10年以上工作的专业干部。
（二）怎样选择专家
怎样选择专家是由预测任务决定的。如果要求比较深入地了解部门的历史情况和技术政策，或涉及到本部门的机密问题，则最好从本部门选择专家。从本部门选择专家比较简单，既有档可查，又熟悉干部的现实情况。如果预测任务仅仅关系到事物的发展，则最好同时从部门内外挑选。从外部选择专家，大体按以下顺序进行：（1）编制征求专家应答问题一览表；
（2）根据预测问题，编制所需专家类型一览表；
（3）将问题一览表发给每个专家，询问他们能否坚持参加规定问题的预测。
（4）确定每个专家从事预测所消耗的时间和经费。
从外部选择专家比较困难，一般要经过几轮。首先要收集本部门职工比较熟悉的专家名单，而后再从有关期刊和出版物中物色一批知名专家。以这两部分专家为基础，将调查表发给他们，征求意见，同时要求他们再推荐1－2名有关专家。预测领导小组从推荐的专家名单中，再选择一批有2人以上推荐的专家。
（三）选择什么样的专家
在选专家的过程中，不仅要注意选择精通技术、有一定名望、有
学科代表性的专家，同时还需要选择相关学科、边缘学科、社会学和经济学等方面的专家。选择承担领导职务的专家固然重要，但要考虑他们是否有足够的时间认真填写调查表。经验表明，一个身居要职的专家匆忙填写的调查表，其参考价值还不如一个专事某项工作的一般专家认真填写的调查表。再者，乐于承担任务，并坚持始终，也是选择专家时要注意的。
（四）专家组人数
预测小组人数视预测向题规模而定。人数太少，限制学科代表性，并缺乏权威；人数太多，难于组织，对结果处理也比较复杂。预测的精度与人数的函数关系是，当人数较少时，随着人数的增加预测精度很快提高。但人数接近15时，进一步增加人数对预测精度影响不大。小组人数一般以15－50人为宜。当然对于一些重大问题，专家人数也可扩大到100名以上。在确定专家人数时，值得注意的是，有的专家即使同意参加预测，因为种种原因也不见得每轮必答，有时甚至中途退出，因而预选人数要多于规定人数。
定性预测方法尽管有时并不需要外界输入数据，即使有数据要求，精度要求也不严格，但是这并不意味着定性预测方法的精度不如定量方法。有时定性预测方法所得结果，其精度还高于定量方法。这是因为每一个专家都是一个数据库，都存贮着大量与预测有关的数据，而其中相当部分还是社会未发表的数据。预测小组就可利用专家提供的数据创造一本脚本，用来描述过去发生了什么事情，未来将发生什么事情。脚本不仅可以真实地反映一组完整的描述真实事件的数据，同时这组数据可以同传统形式经常采用的定量变量数据媲美。
三 预测的数学准备
在预测过程中需要很多数学知识，主要有微分方程、概率与数理统计、线性规划和非线性规划等等。但使用最多的是统计学的相关知识：常用的统计量、参数的估算、假设检验、区间估计等。这些我们就不做介绍了。
四 实用预测方法
（一）定性预测方法
预测方法很多，多达200多种，但常用的不过30多种，最常用的只有10多种。预测方法的分类没有统一的标准和体系。前苏联的专家把预测方法分为两类：启发式预测（专家预测）和数学模型预测。而美国有的专家把预测分为定性方法和定量方法，有的专家把预测方法分为定性预测、定量预测、定时预测、概率预测四类。我国多把预测分为定性和定量两种。下面是我国目前常用几种预测方法：定性预测方法：主要有特尔斐法、目标预测法；
定量预测方法：主要有时间序列模型，因果关系模型。
而时间序列模型包含移动平均法、指数平滑法、分解预测法、鲍克斯-詹金斯模型。
因果关系模型包含趋势外推法、回归分析法、数量经济模型、投入产出模型、灰色模型、系统模型。
每种方法都有它的适用范围和特点，预测程序，预测模型。
下面重点介绍使用最多、应用最广的特尔斐法，至于其它各种方法请大家自行查看相关的书籍。
特尔斐法
特尔斐法是在专家会议预测法的基础上发展起来的，由美国兰德公司于1964年发明并首先用于技术预测。
专家会议法虽然可以通过会议使专家之间广泛交流意见，互相启发，为重大决策提供预测依据，但专家会议法也有三个重大缺点，即：（1）易于屈服于权威或多数人的意见；
（2）易受劝说性意见的影响；
（3）会出现因自尊心影响而不愿公开修正已发表的、然而是不完全正确、甚至是错误的意见。这就使专家会议作出的预测有时是片面的，甚至有可能是错误的。特尔斐法克服了以上缺点，它是将所要预测的问题以信函的方式寄给专家，将回函的意见综合、整理，又匿名反馈给专家征求意见，如此反复多次，最后得出预测结果。
（一）特点及适用范围
特尔斐法有三个特点：
1. 匿名性由于特尔斐法采用匿名函询征求意见，应邀参加预测
??
????????????????????????????????????????特尔斐法定性预测方法目杯预测法一次移动平均移动平均法二次移动平均一次指数平滑指数平滑法二次指数平滑三次指数平滑时间序列模型分解预测法自回归模型移动平均模型鲍克斯-詹金斯模型鲍克斯-詹金斯模型季节性ARIMA 模型多项式模型指数模型
趋势外推定量预测方法生长曲线包络曲线一元线性回归回归分析多元线性回归非线性回因果关系模型???
??????????????????????????????????????????????????????????????????????????????
???????????????????????????????????????
归数量经济模型投入产出模型灰色系统模型 预测方法分类表
的专家互不相见，可消除心理因素的影响，专家可参照前一轮预测结果修改自己的意见，而元需作公开说明。
2. 轮间反馈可沟通性
特尔斐法一般要经过四轮，每一轮的汇总意见又匿名反馈给专家，便
于互相沟通和启发。
3. 预测结果的统计特性
特尔斐法采用统计方法对结果进行定量处理，能科学地综合专家们的预测意见。
特尔斐法是传统定性分析的一个飞跃，它突破了单纯的定性或定量分析的界限，为科学、合理地制定决策开阔了思路。由于它能够对未来发展中可能出现的前景作出概率描述，因而为决策者提供了多方案选择的可能性。
采用特尔斐法不仅可以从事技术预测，同时可以从事经济、社会预测；不仅可以从事短期预测，同时可以从事长期预测；不仅可以预测事物的量变过程，同时可以预测事物的质变过程。因而近几十年来，特尔斐法已经成为一种广为应用的预测方法。在长远规划者和决策者心目中，特尔斐法享有很高威望，并逐渐成为一种重要的规划决策工具。
（二）预测程序
应用特尔斐法进行预测，主要包括四个阶段：（1）建立预测领导小组，编制预测日程计划；（2）选择专家；（3）轮间反馈；（4）编写预测报告。由于预测结果的准确程度在很大的程度上依赖于专家的知识广度、深度和经验，因此，如何选择专家是很重要的。具体的预测程序见下图
特尔斐法预测程序
（三）预测模型
应用特尔斐法需要作归纳、整理等很多工作，无需建立复杂的数学模型。
在采用特尔斐法进行时间预测时，一般用中位数代表专家集中意见，用上下四分点代表专家意见的离散程度。中位数受项目多少的影响，如果将专家的预测结果在水平轴上按时间的先后顺序排列，则位
居中央将全变量分为二等分的年份为中位数。变量的项数为奇数时，第（n+1）/2项为中位数。项数为偶数时，位居中央两项的平均数为中位数。
计算中位数的公式为
()()
()12
2
21/2n n n X n X X X n ++??=?
+??中为奇数为偶数
其中: n 是专家预测的数据个数(该数列是按从小到大顺序排列的)
用上下四分点表示预测区间时，公式为
()()()()()()()12
22
332
3322
2
3322
1121/2/2m m m m m m m m X m X X X m X m X X X m X X m ++++++??=?
+?????+?=?
??
+??3m+1上
下
为奇数为偶数为奇数（）／２（m 为偶数）X 为奇数为偶数 上式中：当n 为奇数时，m =(n －1)/2
当n 为偶数时，m =n /2
人们常常用组合距，即最大预测值与最小预测值之差表示预测值的变化幅度，而多数用上下四分点的间距表示预测值的变化幅度。 例 1 某单位釆用特尔斐法预测我国“九五”期间的轿车需求量，经函询，20位专家的预测值如下表（1），试分析该预测结果。
首先，将专家预测结果按从小到大顺序排列： A(1)=50 A(2)=50 A(3)=50 A(4)=51 A(5)=53 A(6)=53 A(7)=54 A(8)=56 A(9)=56 A(10)=56 A(11)=58 A(12)=59 A(13)=59 A(14)=59 A(15)=60 A(16)=60 A(17)=61 A(18)=62 A(19)=64.5 A(20)=65 n =20为偶数,则
2
2
22
3322
1
101115611516565857
2
22
102
5353
53222606060
222
n n m m m m A A A A A n
m A A A A A A A A A A ++++++=
=====+++====+++====中上下为偶数，则
max min 65501560537
A A A A =-=-==-=-=下上组合距上下四分点间距
多方案相对重要性预测近年来应用较广，其专家集中意见用算术平均值表示，公式为
基于BP神经网络的预测模型
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
MA AB 回归预测模型
MATLAB---回归预测模型 Matlab统计工具箱用命令regress实现多元线性回归，用的方法是最小二乘法，用法是： b=regress(Y,X) [b,bint,r,rint,stats]=regress(Y,X,alpha) Y,X为提供的X和Y数组，alpha为显着性水平（缺省时设定为0.05），b,bint为回归系数估计值和它们的置信区间，r,rint为残差（向量）及其置信区间，stats 是用于检验回归模型的统计量，有四个数值，第一个是R2，第二个是F，第三个是与F对应的概率 p ，p <α拒绝 H0，回归模型成立，第四个是残差的方差 s2 。 残差及其置信区间可以用 rcoplot(r,rint)画图。 例1合金的强度y与其中的碳含量x有比较密切的关系，今从生产中收集了一批数据如下表 1。 先画出散点图如下： x=0.1:0.01:0.18; y=[42,41.5,45.0,45.5,45.0,47.5,49.0,55.0,50.0]; plot(x,y,'+') 可知 y 与 x 大致上为线性关系。
设回归模型为y =β 0+β 1 x 用regress 和rcoplot 编程如下： clc,clear x1=[0.1:0.01:0.18]'; y=[42,41.5,45.0,45.5,45.0,47.5,49.0,55.0,50.0]'; x=[ones(9,1),x1]; [b,bint,r,rint,stats]=regress(y,x); b,bint,stats,rcoplot(r,rint) 得到 b =27.4722 137.5000 bint =18.6851 36.2594 75.7755 199.2245 stats =0.7985 27.7469 0.0012 4.0883 即β 0=27.4722 β 1 =137.5000 β 的置信区间是[18.6851,36.2594]， β 1 的置信区间是[75.7755,199.2245]； R2= 0.7985 ， F = 27.7469 ， p = 0.0012 ， s2 =4.0883 。
数学建模神经网络预测模型及程序
年份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 年份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。 目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为,隐层单元数选取8个,学习速率为,动态参数,Sigmoid参数,最大迭代次数3000.运行3000次后,样本拟合误差等于。 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights={1,1} inputbias={1} % 当前网络层权值和阈值 layerWeights={2,1} layerbias={2} % 设置训练参数 = 50; = ; = ; = 10000; = 1e-3;
线性回归和灰色预测模型案例
预测未来2015年到2020年的货运量 灰色预测模型 是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法.当我们应用运筹学的思想方法解决实际问题，制定发展战略和政策、进行重大问题的决策时，都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律，借助于科学的方法对其未来的发展趋势和状况进行描述和分析，并形成科学的假设和判断. 灰色系统的定义 灰色系统是黑箱概念的一种推广。我们把既含有已知信息又含有未知信息的系统称为灰色系统.作为两个极端，我们将称信息完全未确定的系统为黑色系统；称信息完全确定的系统为白色系统.区别白色系统与黑色系统的重要标志是系统各因素之间是否具有确定的关系。
建模原理 模型的求解
原始序列为： ) 16909 15781 13902 12987 12495 11067 10149 9926 9329 10923 7691())6(),...1(()0()0()0(==x x x 构造累加生成序列 ) 131159,114250,98469,84567,71580,59085, 48018,37869,27943,18614,7691())6(),...1(()1()1()1(==x x x 归纳上面的式子可写为 称此式所表示的数据列为原始数据列的一次累加生成，简称为一次累加生成. 对(1)X 作紧邻均值生成 ,.... 2)) 1()((21)()1() 1() 1(=-+=k k z k z k z MATLAB 代码如下： x=[7691 18614 27943 37869 48018 590857 71580 84567 98469 114250 131159]; z(1)=x(1); for i=2:6 z(i)=0.5*(x(i)+x(i-1)); end format long g z z = Columns 1 through 3 7691 13152.5 23278.5 Columns 4 through 6 32906 42943.5 319437.5
基于神经网络的预测控制模型仿真
基于神经网络的预测控制模型仿真 摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。 关键词：预测控制神经网络动态矩阵误差补偿 1.引言 动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。 但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。 本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。 本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，
灰色预测模型案例
1.1.5 两岸间液体化工品贸易前景预测 从上述分析可见，两岸间液体化工品贸易总体上呈现上升的增长趋势。然而，两岸间的这类贸易受两岸关系、特别是台湾岛内随机性政治因素影响很大。因此，要对这一贸易市场今后发展的态势做出准确的定量判断是相当困难的；但从另一方面来说，按目前两岸和平交往的常态考察，贸易作为两岸经济与贸易交往的一个有机组成部分，其一般演化态势有某些规律可寻的。故而，我们可以利用其内在的关联性，通过选取一定的数学模型和计算方法，对之作一些必要的预测。 鉴此，本研究报告拟采用一定的预测技术，借助一定的计算软件，对今后10余年间大陆从台湾进口液化品贸易量作一个初步的预测。 (1) 模型的选择 经认真考虑，我们选取了灰色系统作为预测的技术手段，因为两岸化工品贸易具有的受到外界的因素影响大和受调查条件限制数据采集很难完全的两大特点，正好符合灰色系统研究对象的主要特征，即“部分信息已知，部分信息未知”的不确定性。灰色系统理论认为，对既含有已知信息又含有未知信息或不确定信息的系统进行预测，就是在一定方位内变化的、与时间有关的灰色过程进行的预测。尽管这一过程中所显示的现象是随机的，但毕竟是有序的，因此这一数据集合具有潜在的规律。灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。 本报告以灰色预测模型，对两岸间化工品贸易进行的预测如下： 灰色预测模型预测的一般过程为： ① 一阶累加生成（1-AGO ） 设有变量为) 0(X 的原始非负数据序列 )0(X =[)1()0(x ,)2()0(x ,…)() 0(n x ] （1.1） 则) 0(X 的一阶累加生成序列 )1(X =[)1()1(x ,)2()1(x …)() 1(n x ] （1.2） 式中 ) ()(1)0() 1(i x k x k i ∑== k=1,2…n ② 对) 0(X 进行准光滑检验和对进行准指数规律检验
神经网络模型预测控制器
神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制
BP神经网络预测模型及应用
B P神经网络预测模型及 应用 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
B P神经网络预测模型及应用 摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。 【关键词】神经网络模型预测应用 1 BP神经网络预测模型 BP神经网络基本理论 人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 BP神经网络预测模型 （1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。 在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算： （1）
式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7. BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的激发函数。采用的s 型函数为： （2） 式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。 （2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij （k）的修正值Δwij（k） Δwij（k+1）<0时，，其中a为大于零小于1的常数。这样做降低了系统进入最小点时的灵敏度，减少震荡。 2 应用 车辆销售量神经网络预测模型 本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。 表1 产品的广告费、服务水平、价格差、销售量 月份广告费 （百万元）服务水平价格差
灰色预测应用实例
2010高教社杯全国大学生数学建模竞赛 承诺书 我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白,在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题. 我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料）,必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出. 我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性.如有违反竞赛规则的行为,我们将受到严肃处理. 我们参赛选择的题号是（从A/B/C/D中选择一项填写）: 我们的参赛报名号为（如果赛区设置报名号的话）: 所属学校（请填写完整的全名）: 河南师范大学 参赛队员(打印并签名) :1. 孔燕姿 2. 刘姣 3. 王丽娟 指导教师或指导教师组负责人(打印并签名): 裴永刚 日期: 2011 年 07 月 15 日赛区评阅编号（由赛区组委会评阅前进行编号）:
摘要 本文是一个灾变预测问题,针对该问题,根据旱灾界限找出原始数列中的异常值,生成对应的灾变日期序列。在级比检验不满足可容覆盖的情况下，取常数c=25,经过平移变换，新数列可以建立GM （1,1）模型. 通过最小二乘法求取参数向量?α=a b ??????=-0.075 31.996????? ?,得到GM(1,1)模型的时间相应函数模型：(1)0.075?(1)452.613426.613k T k e +=-.通过相对残差检验和级比偏差检验,确信所建模型达到较高的要求,可以用来做预测.再通过累减生成序列, 去掉常数c,即可得到下一次旱灾发生的预测时间为：从最近一次旱灾发生的时间算起，4年之后很可能发生旱灾。 关键词: 灰色模型 最小二乘法
基于Bp神经网络的股票预测
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
灰度预测模型详解举例分析
灰色系统预测 重点内容：灰色系统理论的产生和发展动态，灰色系统的基本概念，灰色系统与模糊数学、黑箱方法的区别，灰色系统预测GM （1，1）模型，GM（1，N）模型，灰色系统模型的检验，应用举例。 1灰色系统理论的产生和发展动态 1982邓聚龙发表第一篇中文论文《灰色控制系统》标志着灰色系统这一学科诞生。 1985灰色系统研究会成立，灰色系统相关研究发展迅速。 1989海洋出版社出版英文版《灰色系统论文集》，同年，英文版国际刊物《灰色系统》杂志正式创刊。目前，国际、国内200多种期刊发表灰色系统论文，许多国际会议把灰色系统列为讨论专题。国际著名检索已检索我国学者的灰色系统论著500多次。灰色系统理论已应用范围已拓展到工业、农业、社会、经济、能源、地质、石油等众多科学领域，成功地解决了生产、生活和科学研究中的大量实际问题，取得了显著成果。 2灰色系统的基本原理 2.1灰色系统的基本概念 我们将信息完全明确的系统称为白色系统，信息未知的系统称为黑色系统，部分信息明确、部分信息不明确的系统称为灰色系统。系统信息不完全的情况有以下四种： 1.元素信息不完全 2.结构信息不完全 3.边界信息不完全 4.运行行为信息不完全 2.2灰色系统与模糊数学、黑箱方法的区别 主要在于对系统内涵与外延处理态度不同； 研究对象内涵与外延的性质不同。 灰色系统着重外延明确、内涵不明确的对象，模糊数学着重外延不明确、内涵明确的对象。 “黑箱”方法着重系统外部行为数据的处理方法，是因果关系的两户方法，使扬外延而弃内涵的处理方法，而灰色系统方法是外延内涵均注重的方法。
2.3灰色系统的基本原理 公理1：差异信息原理。“差异”是信息，凡信息必有差异。 公理2：解的非唯一性原理。信息不完全，不明确地解是非唯一的。 公理3：最少信息原理。灰色系统理论的特点是充分开发利用已有的“最少信息”。 公理4：认知根据原理。信息是认知的根据。 公理5：新信息优先原理。新信息对认知的作用大于老信息。 公理6：灰性不灭原理。“信息不完全”是绝对的。 2.4灰色系统理论的主要内容 灰色系统理论经过10多年的发展，已基本建立起了一门新兴学科的结构体系，其主要内容包括以“灰色朦胧集”为基础的理论体系、以晦涩关联空间为依托的分析体系、以晦涩序列生成为基础的方法体系，以灰色模型（G ，M ）为核心的模型体系。以系统分析、评估、建模、预测、决策、控制、优化为主体的技术体系。 灰色关联分析 灰色统计 灰色聚类 3灰色系统预测模型 灰色预测方法的特点表现在：首先是它把离散数据视为连续变量在其变化过程中所取的离散值，从而可利用微分方程式处理数据；而不直接使用原始数据而是由它产生累加生成数，对生成数列使用微分方程模型。这样，可以抵消大部分随机误差，显示出规律性。 3.1灰色系统理论的建模思想 下面举一个例子，说明灰色理论的建模思想。考虑4个数据，记为)4(),3(),2(),1()0()0()0()0(
回归预测方法
第3章回归预测方法 思考与练习（参考答案） 1.简要论述相关分析与回归分析的区别与联系。 答：相关分析与回归分析的主要区别： （1）相关分析的任务是确定两个变量之间相关的方向和密切程度。回归分析的任务是寻找因变量对自变量依赖关系的数学表达式。 （2）相关分析中，两个变量要求都是随机变量，并且不必区分自变量和因变量；而回归分析中自变量是普通变量，因变量是随机变量，并且必须明确哪个是因变量，哪些是自变量； （3）相关分析中两变量是对等的，改变两者的地位，并不影响相关系数的数值，只有一个相关系数。而在回归分析中，改变两个变量的位置会得到两个不同的回归方程。 联系为： （1）相关分析是回归分析的基础和前提。只有在相关分析确定了变量之间存在一定相关关系的基础上建立的回归方程才有意义。 （2）回归分析是相关分析的继续和深化。只有建立了回归方程才能表明变量之间的依赖关系，并进一步进行预测。 2.某行业8个企业的产品销售额和销售利润资料如下： （1）计算产品销售额与利润额的相关系数； r=，说明销售额与利润额高度相关。 解：应用Excel软件数据分析功能求得相关系数0.9934 （2）建立以销售利润为因变量的一元线性回归模型，并对回归模型进行显着性检验（取α＝）；
解：应用Excel 软件数据分析功能求得回归方程的参数为： 7.273,0.074a b =-= 据此，建立的线性回归方程为 ?7.2730.074Y x =-+ ① 模型拟合优度的检验 由于相关系数0.9934r =，所以模型的拟合度高。 ② 回归方程的显着性检验 应用Excel 软件数据分析功能得0.05 ?=450.167(1,6) 5.99F F >=,说明在α=水平下回归效果显着. ③ 回归系数的显着性检验 0.025?=21.22(6) 2.447t t >=,说明在α=水平下回归效果显着. 实际上，一元线性回归模型由于自变量只有一个，因此回归方程的显着性检验与回归系数b 的 显着性检验是等价的。 （3）若企业产品销售额为500万元，试预测其销售利润。 根据建立的线性回归方程 ?7.2730.074Y x =-+，当销售额500x =时，销售利润?29.73Y =万元。 3.某公司下属企业的设备能力和劳动生产率的统计资料如下： 企业代号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 设备能力 (千瓦/人) 劳动生产率(万元/人) 该公司现计划新建一家企业，设备能力为千瓦/人，试预测其劳动生产率，并求出 其95%的置信区间。 解：绘制散点图如下： 散点图近似一条直线，计算设备能力和劳动生产率的相关系数为，故可以采用线性回归模型进行拟合。 应用Excel 软件数据分析功能求得回归方程的参数为： 3.115, 1.43a b ==
灰色预测模型理论及其应用
灰色预测模型理论及其应用 灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定方位内变化的、与时间有关的灰色过程的预测. 尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测. 灰色预测模型只需要较少的观测数据即可，这和时间序列分析，多元回归分析等需要较多数据的统计模型不一样. 因此，对于只有少量观测数据的项目来说，灰色预测是一种有用的工具.本文主要围绕灰色预测GM(1,1)模型及其应用进行展开。 一、灰色系统及灰色预测的概念 1.1灰色系统 灰色系统产生于控制理论的研究中。 若一个系统的内部特征是完全已知的，即系统的信息是充足完全的，我们称之为白色系统。 若一个系统的内部信息是一无所知，一团漆黑，只能从它同外部的联系来观测研究，这种系统便是黑色系统。 灰色系统介于二者之间，灰色系统的一部分信息是已知的，一部分是未知的。 区别白色和灰色系统的重要标志是系统各因素间是否有确定的关系。 特点：灰色系统理论以“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定型系统的研究对象。 1.2灰色预测 灰色系统分析方法是通过鉴别系统因素之间发展趋势的相似或相异程度，即进行关联度分析，并通过对原始数据的生成处理来寻求系统变动的规律。生成数据序列有较强的规律性，可以用它来建立相应的微分方程模型，从而预测事物未来的发展趋势和未来状态。灰色预测是用灰色模型GM(1,1)来进行定量分析的，通常分为以下几类： (1) 灰色时间序列预测。用等时距观测到的反映预测对象特征的一系列数量（如产量、销量、人口数量、存款数量、利率等）构造灰色预测模型，预测未来某一时刻的特征量，或者达到某特征量的时间。 (2) 畸变预测（灾变预测）。通过模型预测异常值出现的时刻，预测异常值什么时候出现在特定时区内。 (3) 波形预测，或称为拓扑预测，它是通过灰色模型预测事物未来变动的轨迹。 (4) 系统预测，是对系统行为特征指标建立一族相互关联的灰色预测理论模型，在预测系统整体变化的同时，预测系统各个环节的变化。 上述灰预测方法的共同特点是： （1）允许少数据预测； （2）允许对灰因果律事件进行预测，比如 灰因白果律事件：在粮食生产预测中，影响粮食生产的因子很多，多到无法枚举，故为灰因，然而粮食产量却是具体的，故为白果。粮食预测即为灰因白果律事件预测。白因灰果律事件：在开发项目前景预测时，开发项目的投入是具体的，为白因，而项目的效益暂时不很清楚，为灰果。项目前景预测即为灰因白果律事件预测。
数学建模案例分析--灰色系统方法建模2灰色预测模型GM(1-1)及其应用
§2 灰色预测模型GM(1,1)及其应用 蠕变是材料在高温下的一个重要性能。处于高温状态下的材料长期受到载荷作用时，即使其载荷较低，并且在短时间的高温拉伸试验中材料不发生变形，但在此情况下仍会有微小的蠕变，极端的情况下，甚至会使材料发生破坏。高温材料多应用于各种车辆的发动机及冶金厂中各种设备上，如果因蠕变引起破坏，可能造成很大的事故。 为了保证设备的安全可靠，在某一使用温度下，预先知道该材料对不同载荷应力下断裂的时间是很重要的。过去，人们都是通过蠕变试验测量断裂时间。而做蠕变试验时，需要很长时间才能得到结果，即使通过试验得出的数据，也只是对某几个具体试样而言，存在很大的偶然性，不能代表普遍的规律。如果将实测的数据用灰色系统理论来处理，可以预测在某一温度下的任何载荷应力的断裂时间。 一、灰色预测模型GM （1,1） 建模步骤如下： （1）GM （1,1）代表一个白化形式的微分方程： u aX dt dX =+)1() 1( （1） 式中，u a ,是需要通过建模来求得的参数；) 1(X 是原始数据) 0(X 的累加生成（AGO ）值。 （2）将同一数据列的前k 项元素累加后生成新数据列的第k 项元素，这就是数据处理。表示为： ∑==k n n X k X 1 )0() 1()()( （2） 不直接采用原始数据) 0(X 建模，而是将原始的、无规律的数据进行加工处理，使之变得较有规律， 然后利用生成后的数据列来分析建模，这正是灰色系统理论的特点之一。 （3）对GM （1,1），其数据矩阵为
?????? ? ? ?+--+-+-=1)]()1([5.01)]3()2([5.01)]2()1([5.0)1()1()1()1()1()1(N X N X X X X X B M M （3） 向量T N N X X X Y )](,),3(),2([)0()0()0(Λ= （4）作最小二乘估计，求参数u a , N T T Y B B B u a 1)(?-=??? ? ??=α （4） （5）建立时间响应函数，求微分方程（1）的解为 a u e a u X t X at +-=+-))1(()1(?)0()1( （5） 这就是要建立的灰色预测模型。 二、低合金钢铸件蠕变性能的灰色预测 下面是对Cr-mo-0.25V 低合金钢铸件高温蠕变情况利用灰色系统理论进行研究。在500℃的高温下，已测得此铸件在载荷分别为37，36，35，34，33（kg/mm 2）情况下的蠕变断裂时间见下表。 1、建立GM （1,1）模型 表中一次累加数列)() 1(k X 是根据断裂时间数列)()0(k X ，由公式（2）得到的。例如，
灰色预测模型及应用论文
灰色预测模型及应用论 文 公司标准化编码 [QQX96QT-XQQB89Q8-NQQJ6Q8-MQM9N]
灰色系统理论的研究 GM(1,1)预测与关联度的拓展 摘要：科学地预测尚未发生的事物是预测的根本目的和任务。无论个体还是组织，在制定和规划面向未来的策略过程中，预测都是必不可少的重要环节，它是科学决策的重要前提。在众多的预测方法中，灰色预测模型自开创以来一直深受许多学者的重视，它建模不需要太多的样本，不要求样本有较好的分布规律，计算量少而且有较强的适应性，灰色模型广泛运用于各种领域并取得了辉煌的成就。本文详细推导GM（1,1）模型，另外对灰关联度进行了进一步的改进，让改进的计算式具有唯一性和规范性[]4。通过给出的实例高校传染病发病率情况，建立了GM(1,1)预测模型，并预测了1993年的传染病发病率。另外对传染病发病率较高的痢疾、肝炎、疟疾三种疾病做了关联度分析，发现痢疾与整个传染病关系最密切，而肝炎、疟疾与整个传染病的密切程度依次差些。 关键词：灰色预测模型；灰关联度；灰色系统理论 The Research of Grey System Theory GM（1,1) prediction and the expansion of correlation xueshenping Instructor: tangshaofang Abstract：Science has not yet occurred to predict the fundamental thing is to predict the purpose and mission. Whether individuals or organizations, in developing future-oriented strategy and planning process, the forecasts are essential and important aspect, which is an important prerequisite for scientific decision-making. Among the many prediction methods, the gray prediction model has been well received since its inception attention of many scholars, it does not require much sample modeling, does not require a better distribution of the sample was calculated, and has strong adaptability less , gray model widely used in various fields and has made brilliant achievements.
灰色预测实例
第一题 k N m k b p k N m L g f mgp S )() (1 ∑--=--+--= 当m<=N 时 f mgp S -= 当m>N 时 k N m k b p k N m L g f mgp S )() (1 ∑--=--+--= 现在设旅客达到机场概率为p=90%，N=300，f=0.6Ng ，g L b 5.0= 现在 k m k p k m g g mg S )300(*5.1180*9.0301 ∑-=----= 取m=301 经过计算得到 S=（90.9-2.53*10^(-14)）*g 取m=302经过计算得到 S=（91.8-8.095*10^(-13)）*g 取m=307经过计算得到 S=（96.3-4.065*10^(-8)）*g 取m=311经过计算得到 S=（99.9-9.865*10^(-6)）*g 取m=318经过计算得到 S=（106.2-5.68*10^(-3)）*g 取m=325经过计算得到 S=（112.5-2.59*10^(-1)）*g 取m=332经过计算得到 S=（118.8-2.42）*g=116.38*g 取m=336经过计算得到 S=（122.4-5.42）*g=116.98g 取m=337经过计算得到 S=（123.3-6.38）*g=116.92g 所以航空公司在出售336张票的时候收益最大值为116.98g ， 由于这只是单方面考虑到肮空公司的利润，在实际中，国内超售可以达到5%，国外一般是2%。对于拒载的赔偿问题，早已有法律规定是按照里程数进行赔偿， 程序 m=337; x=0.9*m-180 y=0;
BP神经网络算法预测模型
BP神经网络结构及算法 1986年，Rumelhart和McCelland领导的科学家小组在《Parallel Distributed Processing》一书中，对具有非线性连续转移函数的多层前馈网络的误差反向传播算法(Error Back Proragation,简称BP)进行了详尽的分析，实现了Minsky关于多层网络的设想。由于多层前馈网络的训练经常釆用误差反向传播算法，人们也常把多层前馈网络直接称为BP网。釆用BP算法的多层前馈网络是目前应用最多的神经网络。 BP神经网络的结构 BP网络有三部分构成，即输入层、隐含层(又称为中间层)和输出层，其中可以有多个隐含层。各层之间实现完全连接，且各层神经元的作用是不同的：输入层接受外界信息；输出层对输入层信息进行判别和决策；中间隐层用来表示或存贮信息。通常典型的BP网络有三层构成，即只有一个隐层。三层BP神经网络的结构可用图1表示。 图1 三层BP神经网络机构图 BP神经网络的学习算法 BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即作为修正各神经元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的，权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出误差减少到可接受的程度，或进行到预先设定的学习次数为止，标准BP算法流程见图2。
BP神经网络模型预测未来
BP神经网络模型预测未来 BP神经网络算法概述: 简介与原理 BP神经网络是一种多层前馈神经网络，该网络的主要特点是：信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层，每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。 BP神经网络的拓扑结构如下图所示： 输入层隐含层输出层 BP神经网络结构图 图中是BP神经网络的输入值，是BP神经网络的预测值， 为BP神经网络权值。 BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的训练过程包括一下几个步骤。 步骤一：网络初始化。根据系统输入输出序列(,) X Y确定网络输入层节点数,n隐含层节点数l、输出层节点数m、初始化输入层、隐含层和输出层神经元之间的连接权值,, ωω初始化隐含层阈值a，给 ij jk
定输出层阈值b，给定学习速率和神经元激励函数。 步骤二：隐含层输出计算。根据输入向量，输入层和隐含层间连接权值，以及隐含层阈值，计算隐含层输出。 步骤三：输出层输出计算。根据隐含层输出，连接权值和阈值，计算BP神经网络预测输出。 步骤四：误差计算根据网络输出和预期输出，计算网络预测误差。 步骤五：权值更新。根据网络预测更新网络连接权值 步骤六：阈值更新。根据网络预测误差更新网络节点阈值。 步骤七：判断算法迭代是否结束，若没有结束，返回步骤二。 下面是基本BP算法的流程图。 BP神经网络的拓扑结构如下图所示： 输入层隐含层输出层 BP神经网络预测的算法流程如下： 步骤一：对初始数据进行标准化。 步骤二：利用原始数据对网络进行训练。 步骤三：对未来第t年第i类污染程度的河流长度比例进行预测。 步骤四：利用第年预测得到的数据作为样本再对网络进行训练。 步骤五：然后令1 t t t=。 =+，回到Step2，直到10 2.建模步骤： Step 1 建立如下网络拓扑结构 表3 网络结构