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
灰色预测GM(1, 1)模型实现过程
灰色系统预测模型GM(1,1)实现过程灰色系统预测模型GM(1,1) 1. GM(1,1)的一般形式设有变量X (0)＝{X (0)(i)，i=1,2，...，n}为某一预测对象的非负单调原始数据列，为建立灰色预测模型：首先对X (0)进行一次累加(1—AGO, Acumulated Generating Operator)生成一次累加序列：X (1)＝{X (1)(k )，k ＝1，2，…，n}其中X (1)(k )＝∑=ki 1X (0)(i)＝X (1)(k －1)+ X (0)(k ) (1) 对X (1)可建立下述白化形式的微分方程：dtdX )1(十)1(aX ＝u (2)即GM(1,1)模型。
上述白化微分方程的解为(离散响应)： ∧X (1)(k +1)＝(X (0)(1)－a u )ak e -＋au(3)或∧X (1)(k )＝(X (0)(1)－a u ))1(--k a e ＋au (4) 式中：k 为时间序列，可取年、季或月。
2. 辩识算法记参数序列为∧a , ∧a＝[a,u]T ,∧a 可用下式求解:∧a ＝(B T B)-1B T Y n (5)式中:B —数据阵；Y n —数据列B ＝⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡+++- 1 (n))X 1)-(n (X 21 ... 1 (3))X (2)X (211 (2))X (1)X (21(1)1(1)(1)(1)(1)）（－－ (6) Y n ＝(X (0)(2), X (0)(3),…, X (0)(ｎ))T (7)3. 预测值的还原由于GM 模型得到的是一次累加量，k ∈{n+1,n+2,…}时刻的预测值，必须将GM 模型所得数据∧X(1)(k +1)(或∧X(1)(k ))经过逆生成即累减生成(I —AGO)还原为∧X (0)(k +1)(或∧X (0)(k ))，即：∧X (1)(k )＝∑=ki 1∧X (0)(i)＝∑-=11k i ∧X(0)(i)＋∧X (0)(k )∧X(0)(k )＝∧X(1)(k )－∑-=11k i ∧X (0)(i)因为∧X(1)(k -1)＝∑-=11k i ∧X(0)(i)，所以∧X (0)(k )＝∧X (1)(k )－∧X (1)(k -1)。
灰色预测模型
灰色系统模型（Grey Model,GM）一：解决的关键问题 （所谓灰色系统是指部分信息已知而部分信息未知的系统，灰色系统所要考察和研究的是对信息不完备的系统，通过已知信息来研究和预测未知领域从而达到了解整个系统的目的）灰色系统模型作为一种预测方法广泛应用于工程控制，经济管理，社会系统等众多领域。
二：ＧＭ（１，１）模型（一）：对原始序列累加处理一次累加生产序列②(即1－AGO序列)，表示为其中，一次累加序列(1)X 的第k 项由原序列的前k 项和产生，即： 由(1)X 的相邻项平均得到(1)X 的紧邻均值生成序列(1)z ，表示为:根据上述序列，有灰色系统模型GM(1，1)的基本形式:(二)构造GM(1，1)模型方程组的矩阵形式，并求解参数 GM(1，1)模型的微分方程基本形式:(三)求的时间响应序列，累减得到原序列的预测值(四)模型检验残差的均值、方差分别为:21S C S 称为均方差比值，对于给定的00C ，当0C C 时，称模型为均方差比合格模型;1(()0.6745)p p k S 称为小误差概率，对于给定的00P ，当0P P 时，称模型为小误差概率合格模型。
一般均方差比值C 越小越好(因为C 小说明S 小，1S 大，即残差方差小，原始数据方差大，说明残差比较集中，摆动幅度小，原始数据比较分散，摆动幅度大，所以模拟效果好，要求2S 与1S 相比尽可能小)，以及小误差概率p 越大越好，给定000,,,C p 的一组取值，就确定了检验模型模拟精度的一个等级，常用的精度等级见表1。
软件DPS 的分析结果也提供了C 、p 的检验结果。
(五)残差修正模型(六)建立新陈代谢GM(1，1)进行动态预测在实际建模过程中，原始数据序列的数据不一定全部用来建模。
我们在原始数据序列中取出一部分数据，就可以建立一个模型。
一般说来，取不同的数据，建立的模型也不一样，即使都建立同类的GM(1，1)模型，选择不同的数据，参数a，b的值也不一样。
灰色预测模型GM(1_1)及其应用
灰色预测模型GM(1,1)的应用一、问题背景：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。
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。
数 列 序 数 K1 2 3 4 5载荷应力（kg/mm 2） 37 36 35 34 33 断裂时间（)(100)0(K X ⨯小时）2.38 2.80 4.25 6.85 11.30 一次累加数列)()1(K X 2.38 5.18 9.43 16.28 27.581、建立GM （1,1）模型（1）数据处理：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。
即根据断裂时间数列)()0(k X 由∑==kn n X k X 1)0()1()()(得到 )()1(k X 。
（2）建立矩阵B,y:根据⎪⎪⎪⎪⎪⎭⎫ ⎝⎛+--+-+-=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 得到 ⎪⎪⎪⎪⎪⎭⎫ ⎝⎛----=19.2118.12130.7178.3B根据 T N N X X X Y )](,),3(),2([)0()0()0( =，得到 T N Y ]3.11,85.6,25.4,80.2[=（3）求出逆矩阵1()T BB - （4）作最小二乘估计，求参数u a ,N T T Y B B B u a 1)(ˆ-=⎪⎪⎭⎫⎝⎛=α 可得，⎪⎪⎭⎫ ⎝⎛-=97.05.0ˆα a = -0.5, u=0.97(5)建立时间响应函数，计算拟合值把a 和u 分别代入au e a u X t X at +-=+-))1(()1(ˆ)0()1(可得到解为2.24.4)1(ˆ5.0)1(-=+t e t X， 取t 为应力序数k 时，即得到时间响应方程为：2.24.4)1(ˆ5.0)1(-=+k e k X即可得到生成累加数列),2,1()1(ˆ)1( =+k k X 。
灰色模型GM(1,1)在渔货卸港量预测中的应用
灰色模型GM（1，1）在渔货卸港量预测中的应用采用灰色模型GM（1，1），依据五个渔港实际渔货卸港量资料，对渔港渔货卸港量进行预测，并与时间序列法的预测结果对比，结果表明该模型预测精度要优于时间序列法，可以在渔货卸港量预测中加以应用。
标签：渔货卸港量；灰色模型GM（1，1）；预测方法简介渔港是渔业生产的重要依托，是渔区经济社会发展的重要基础设施，如何选取优势渔港进行合理资金投入是我国渔港建设中面临的一个重要问题，渔货卸港量是衡量渔港规模大小以及发展能力的一项重要决策指标，科学准确地对渔货卸港量水平进行预测，对于合理进行渔港规划布局建设以及发掘优势渔港满足当地渔业需求具有更贴合实际的意义[1]。
目前在各地渔港的工程可行性研究报告中普遍采用时间序列法对渔货卸港量进行预测，将年份或者序号与卸港量分别作为回归方程的自变量和因变量，建立一元线性回归方程[2]，该方法需要较多年份资料令计算结果容易出现偏差。
灰色系统理论主要研究小样本不确定问题[3]，预测样本不需要有规律性分布，灰色模型GM（1，1）是灰色预测模型中得到最普遍应用的核心模型[4]，通过灰色生成或序列算子的作用弱化随机性，挖掘潜在的规律，该模型在建模时不需要大量的数据就能取得较好的预测效果，已被广泛应用于经济管理、自然科学、农业科学、工程技术等各个领域[5]。
1 基本思路本文采用灰色系统理论中的GM（1.1）预测模型对渔港渔货卸港量进行预测，并与时间序列法的预测结果进行比较，结果表明采用灰色模型GM（1.1）的预测精度更高，预测结果更加接近实际值。
2 算例2.1 灰色模型GM（1，1）利用灰色模型GM（1，1），使用前阳一级渔港1996-2005年的渔货卸港量资料对2006年的渔货卸港量进行预测。
（见表1）2.1.1 卸港量累加序列的计算结果如下。
（见表2）2.1.2 分别建立矩阵B，y2.1.3 求逆矩阵2.1.4 根据计算估计值■和■：将■和■的值带入时间响应方程，得时间响应方程为：2.1.5 求出拟合值■（1）（i），根据■（1）（1）=■（0）（1），■（1）（2）=■（0）（2）+■（0）（1）…，进行后减运算还原，可依次得到■（0）（i）值，相关计算结果如表3所示。
灰色系统预测GM1,1模型及其Matlab实现
灰色系统预测GM(1,1)模型及其Matlab实现三天三夜72小时：读懂题目-》查找文献资料-》选择题目-》重查找文献资料-》精读其中几篇-》查找资料的资料。
在数学建模中常常会遇到数据的预测问题，有些赛题中，预测占主导地位，例如：2003年A题 SARS的传播问题；2005年A题长江水质的评价和预测问题；2006年B题艾滋病疗法的评价及疗效的预测问题；2007年A题中国人口增长预测问题。
有些问题则是需要在求解的过程中进行预测，如2009年D题“会议筹备”对与会人数的确定等。
参考资料：《灰色系统理论及其应用第五版》作者：刘思峰，党耀国等著出版时间：2010.05 校超星数字图书馆可阅读。
灰色模型（Gray Model）有严格的理论基础，最大优点是实用。
用灰色模型预测的结果比较稳定，不仅适用于大数据量的预测，在数据量较少时(>3)预测结果依然较准确。
预备知识(1)灰色系统白色系统是指系统内部特征是完全已知的,即人们不仅知道该系统的输入——输出关系，而且知道实现输入——输出关系的结构与过程；黑色系统是指系统内部信息完全未知的,即人们只知道该系统输入——输出关系，但不知道实现输入——输出关系的结构与过程；而灰色系统是介于白色系统和黑色系统之间的一种系统，灰色系统其内部一部分信息已知，另一部分信息未知或不确定。
例如，一个加有电压的电阻，也是一个系统，根据欧姆定律，I=U/R,当电阻的大小知道后，便可由多大电压算出能得到多大电流。
电压与电流之间有明确的关系或函数，这便是白色系统。
因此，这样的系统要求有明确的作用原理，一个有明确作用原理的系统必定是具有确定结构的，必定是有物理原型的。
然而许多社会经济系统都没有物理原型，虽然知道影响系统的某些因素，但很难明确全部因素，更不可能确定因素之间的映射关系。
这种没有确定的映射关系(函数关系)的系统是灰色系统。
(2)灰色预测灰色预测，是指对系统行为特征值的发展变化进行的预测，对既含有已知信息又含有不确定信息的系统进行的预测，也就是对在一定范围内变化的、与时间序列有关的灰过程进行预测。
数学建模-灰色预测模型GM（1,1）_MATLAB
数学建模-灰⾊预测模型GM（1,1）_MATLAB %GM(1,1).m%建⽴符号变量a(发展系数)和b(灰作⽤量)syms a b;c = [a b]';%原始数列 AA = [174, 179, 183, 189, 207, 234, 220.5, 256, 270, 285];%填⼊已有的数据列！n = length(A);%对原始数列 A 做累加得到数列 BB = cumsum(A);%对数列 B 做紧邻均值⽣成for i = 2:nC(i) = (B(i) + B(i - 1))/2;endC(1) = [];%构造数据矩阵B = [-C;ones(1,n-1)];Y = A; Y(1) = []; Y = Y';%使⽤最⼩⼆乘法计算参数 a(发展系数)和b(灰作⽤量)c = inv(B*B')*B*Y;c = c';a = c(1);b = c(2);%预测后续数据F = []; F(1) = A(1);for i = 2:(n+10) %这⾥10代表向后预测的数⽬，如果只预测⼀个的话为1F(i) = (A(1)-b/a)/exp(a*(i-1))+ b/a;end%对数列 F 累减还原,得到预测出的数据G = []; G(1) = A(1);for i = 2:(n+10) %10同上G(i) = F(i) - F(i-1); %得到预测出来的数据enddisp('预测数据为：');G%模型检验H = G(1:10); %这⾥的10是已有数据的个数%计算残差序列epsilon = A - H;%法⼀：相对残差Q检验%计算相对误差序列delta = abs(epsilon./A);%计算相对误差Qdisp('相对残差Q检验：')Q = mean(delta)%法⼆：⽅差⽐C检验disp('⽅差⽐C检验：')C = std(epsilon, 1)/std(A, 1)%法三：⼩误差概率P检验S1 = std(A, 1);tmp = find(abs(epsilon - mean(epsilon))< 0.6745 * S1);disp('⼩误差概率P检验：')P = length(tmp)/n%绘制曲线图t1 = 1995:2004;%⽤⾃⼰的，如1 2 3 4 5...t2 = 1995:2014;%⽤⾃⼰的，如1 2 3 4 5... plot(t1, A,'ro'); hold on;plot(t2, G, 'g-');xlabel('年份'); ylabel('污⽔量/亿吨');legend('实际污⽔排放量','预测污⽔排放量'); title('长江污⽔排放量增长曲线'); %都⽤⾃⼰的grid on;。
【数学建模】day14-建立GM（1,1）预测评估模型应用
【数学建模】day14-建⽴GM（1,1）预测评估模型应⽤学习建⽴GM(1,1)灰⾊预测评估模型，解决实际问题：SARS疫情对某些经济指标的影响问题⼀、问题的提出 2003 年的 SARS 疫情对中国部分⾏业的经济发展产⽣了⼀定影响，特别是对部分疫情较严重的省市的相关⾏业所造成的影响是显著的，经济影响主要分为直接经济影响和间接影响。
直接经济影响涉及商品零售业、旅游业、综合服务等⾏业。
很多⽅⾯难以进⾏定量的评估，现仅就 SARS 疫情较重的某市商品零售业、旅游业和综合服务业的影响进⾏定量的评估分析。
究竟 SARS 疫情对商品零售业、旅游业和综合服务业的影响有多⼤，已知某市从 1997 年 1 ⽉到 2003 年 12 ⽉的商品零售额、接待旅游⼈数和综合服务收⼊的统计数据如下⾯三表所⽰。
试根据这些历史数据建⽴预测评估模型，评估 2003 年 SARS 疫情给该市的商品零售业、旅游业和综合服务业所造成的影响。
⼆、模型的分析与假设模型分析： 根据所掌握的历史统计数据可以看出，在正常情况下，全年的平均值较好地反映了相关指标的变化规律。
这样，对于每⼀个经济指标，考虑从两部分着⼿建⽴预测评估模型：1. 利⽤灰⾊理论建⽴GM(1,1)模型，根据1997-2002年的平均值序列，预测2003年的平均值。
2. 通过历史数据计算每⼀个⽉的指标值与全年总值之间的关系，并将此关系拓展到2003年，进⽽预测出2003年每⼀个⽉的指标值。
进⽽与真实数据值作⽐较，从⽽得出结论。
模型假设：1. 假设所有的统计数据真实可靠。
2. 假设该市SARS疫情流⾏期间和结束之后，数据的变化只与SARS疫情的影响有关，不考虑其他随机因素的影响。
三、建⽴灰⾊预测模型GM(1,1) 由已知数据，对于1997-2002年的某项指标记为A= (a ij)6*12,计算每年的平均值作为初始数列。
记为： 并要求级⽐。
对x(0)做⼀次累加得1-AGO序列： 式中： 取x(1)的加权均值序列： 式中，α是确定参数。
《灰色GM(1,1)模型的优化及其应用》范文
《灰色GM（1,1）模型的优化及其应用》篇一一、引言随着科技的飞速发展，大数据的崛起，预测与决策分析变得尤为重要。
灰色预测模型，特别是灰色GM（1,1）模型，以其对数据要求低、操作简单、效果良好的特点，被广泛应用于社会经济各个领域。
然而，传统灰色GM（1,1）模型在某些复杂、高精度的应用场景中存在一定局限性。
本文旨在探讨灰色GM（1,1）模型的优化方法及其在各领域的应用。
二、灰色GM（1,1）模型概述灰色GM（1,1）模型是一种以微分方程为基础的灰色预测模型，通过对原始数据进行累加生成（AGO）和累减生成（IAGO），构造出微分方程的系数，从而进行预测。
该模型在处理小样本、不完全信息的数据时具有较好的预测效果。
三、灰色GM（1,1）模型的优化针对传统灰色GM（1,1）模型在处理复杂、高精度数据时可能出现的局限性，本文提出以下几种优化方法：（一）改进数据处理方式对原始数据进行更为细致的预处理和后处理，包括但不限于利用更加先进的数据分析工具进行数据的筛选和净化，以及对AGO和IAGO的处理方法进行改进。
（二）引入其他变量和参数通过引入其他相关变量和参数，丰富模型的输入信息，提高模型的预测精度。
例如，可以通过引入时间变量、季节因素等，对模型进行时间和季节性优化。
（三）结合其他预测模型将灰色GM（1,1）模型与其他预测模型进行结合，如与神经网络、支持向量机等相结合，形成混合预测模型，以提高模型的预测精度和稳定性。
四、灰色GM（1,1）模型的应用（一）经济领域应用灰色GM（1,1）模型在经济领域的应用广泛，如对股票价格、房地产价格、经济周期等进行预测。
通过优化后的灰色GM（1,1）模型，可以更准确地预测经济走势，为政策制定提供科学依据。
（二）农业领域应用在农业领域，灰色GM（1,1）模型可以用于预测农作物产量、病虫害发生情况等。
通过优化后的模型，可以更准确地预测农业生产情况，为农业生产提供科学指导。
（三）其他领域应用除了经济和农业领域，灰色GM（1,1）模型还可以应用于其他领域，如医疗、能源、交通等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
§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 （3） 向量T
N N X X X Y )](,),3(),2([)0()0()0( =
（4）作最小二乘估计，求参数u a ,
N T
T Y B B B u a 1)(ˆ-=⎪⎪⎭
⎫ ⎝⎛=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(ˆ)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，
∑==++==3
1
)0()
1(43.925.480.238.2)()3(n n X X。
按（3）构造矩阵⎪⎪
⎪⎪⎪⎭
⎫
⎝⎛----=19.2118.12130
.7178
.3B ，T
N Y ]3.11,85.6,25.4,80.2[=，代入（4），可得⎪⎪⎭⎫ ⎝⎛-=97.05.0ˆα， 按（5）可得到模型（1）的解为2.24.4)1(ˆ5.0)
1(-=+t e t X
，取t 为应力序数k 时，由
2.24.4)1(ˆ5.0)
1(-=+k e k X
（6）
即可得到生成累加数列),2,1()1(ˆ)
1( =+k k X。
2、检验
当4,3,2,1=k 时，由（6）式得出]3.30,52.17,76.9,05.5[)1(ˆ)
1(=+k X
，而由表中得出
]58.27,28.16,43.9,18.5[)1()1(=+k X ，计算出平均相对误差为0.04，这一精度是相当理想的。
3、预测
由上面得到的一次累加生成数列与实际一次累加生成数列很接近，因而可以用来估计原始一次累加生成数列中的各个数据。
特别是估计序数5以后的数据，就更有实际意义了。
轻载荷的蠕变实验所需要的时间是相当长的，少则几天，多则几年。
在重载荷的基础上减轻1公斤，试验时间将相应增加几百甚至几千小时。
根据已有重载荷试验数据，预报减轻重载后的断裂时间就显得重要了。
下面，我们根据（6）式来预测载荷32 kg/mm 2的断裂时间。
它对应的序数为6，也就是要求出)6()
1(X
和)6()0(X 。
由（6）式得4.51)6()1(=X ，从表中查得
=)5()1(X 27.58再由)6()0(X =)6()1(X =-)5()1(X 23.82，这说明，在载荷32 kg/mm 2下，此种
材料大约经过2382小时断裂。