时间序列预测之二：灰色模型
目录
1、简介
（1）常见系统分类
（2）灰色预测法
2. 灰色生成数列
（1）累加生成（AGO）
（2）累减生成(IAGO)
（3）加权邻值生成
3. 灰色模型GM(1,1)
4. 检验预测值
（1）残差检验：计算相对残差
（2）级比偏差值检验：计算
1、简介
灰色模型（Gray Model），常用来对数据进行预测。灰色预测是针对灰色系统所做的预测。控制论中，信息的多少常以颜色的深浅来表示，
- 信息充足、确定为白色；
- 信息缺乏、不确定为黑色；
- 部分确定部分不确定为灰色。
灰色系统指信息不完全的系统，信息的不完全可能是系统因素不完全明确、元素关系不完全清楚、系统结构不完全知道、系统的作用原理不完全明了。
灰色预测模型所需建模信息较少，运算方便，建模精度高，是处理小样本预测问题的有效工具，但缺少对系统内在机理的考量，有可能出现较大误差，一般不推荐使用。
灰色预测适用条件：用于时间短、数据资料少、数据不需要典型的分布规律、计算量较低、对短期预测有较高精度。不适合随机波动较大的数据。
灰色预测建模思想：直接将时间序列转化为微分方程，建立抽象系统的发展变化动态模型。常用模型为：GM(1,1)模型，也称为单序列一阶线性动态模型。
（1）常见系统分类
- 白色系统是指一个系统的内部特征是完全 已知的，即系统的信息是完全充分的。
- 黑色系统是指一个系统的内部信息对外界来说是一无所知的，只能通过它与外界的联系来加以观测研究。
- 灰色系统内的一部分信息是已知的，另一部分信息是未知的，系统内各因素间有不确定的关系。
（2）灰色预测法
- 灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。
2. 灰色生成数列
灰色系统理论认为，尽管客观表象复杂，但总是有整体功能的，因此必然蕴含某种内在规律。关键在于如何选择适当的方式去挖掘和利用它。灰色系统是通过对原始数据的整理来寻求其变化规律的，这是一种就数据寻求数据的现实规律的途径，也就是灰色序列的生产。一切灰色序列都能通过某种生成弱化其随机性，显现其规律性。数据生成的常用方式有累加生成、累减生成和加权累加生成。
（1）累加生成（AGO）
累加生成的特点：
一般经济数列都是非负数列，累加生成能使任意非负数列、摆动的与非摆动的，转化为非减的、递增的。
（2）累减生成（IAGO）
（3）加权邻值生成
3. 灰色模型GM(1,1)
灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程，进而用离散数据列建立微分方程形式的动态模型，即灰色模型是利用离散随机数经过生成变为随机性被显著削弱而且较有规律的生成数，建立起的微分方程形式的模型，这样便于对其变化过程进行研究和描述。
通常称灰色预测模型为GM(n,h) 模型，常用来预测的是GM(1，1)：
该模型通过求解微分方程
其预测模型一般形式为：
灰色预测使用步骤：
（1）对时间序列历史数据做一阶累加处理，得到生成数列：
（2）建立GM(1,1)模型：
（3）求得a的值为：
其中
（4）得到a、u的值，代入微分方程解出的时间函数：
由此，求得数列，然后将此预测值数列利用下式还原为预测数列：
（5）精度检验：残差检验、关联度检验、后验差检验等。
GM(n,h)模型
在系统具有n阶倒数，h个变量及原始表征量时可用该模型。与GM(1,1)模型相比，该模型是n阶微分方程求解得到的，不具体说明，在时间序列中，常用到的就是GM(1,1)模型。
4. 检验预测值
（1）残差检验：计算相对残差
（2）级比偏差值检验：计算
时间序列预测之二：灰色模型相关推荐
- 时间序列预测（二）—— AR模型
时间序列预测(二)-- AR模型 欢迎大家来我的个人博客网站观看原文:https://xkw168.github.io/2019/05/20/时间序列预测-二-AR模型.html 文章链接 (一)数据 ...
- 5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型
时间序列预测在最近两年内发生了巨大的变化,尤其是在kaiming的MAE出现以后,现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练 Makridakis M-Competitions系列( ...
- 回顾︱DeepAR 算法实现更精确的时间序列预测（二）
deepAR已经上线Amazon SageMaker +GluonTS,有AWS的站台 + 本身的灵活性,实操可行性还是蛮高的.模型本身可以加入一些额外的属性信息,同时可以输出点预测 + 概率预测. ...
- Python二手车价格预测（二）—— 模型训练及可视化
系列文章目录 一.Python数据分析-二手车数据获取用于机器学习二手车价格预测 二.Python二手车价格预测(一)-- 数据处理 文章目录 系列文章目录 前言 一.明确任务 二.模型训练 1.引入 ...
- 时间序列预测---差分自回归移动平均模型（ARIMA模型）
ARIMA模型简介 1. 数据平稳性 了解ARIMA模型就要先了解数据的平稳性,样本数据获得的时间序列,在未来一段时间沿着一个"趋势"发展下去,只有具有平稳性的数据才可以做预测 平 ...
- python灰色模型代码_python 实现 灰色预测 GM(1,1)模型 灰色系统 预测 灰色预测公式推导...
来源公式推导连接 关键词:灰色预测 python 实现 灰色预测 GM(1,1)模型 灰色系统 预测 灰色预测公式推导 一.前言 本文的目的是用Python和类对灰色预测进行封装 二.原理简述 1.灰 ...
- python灰色预测_python 实现 灰色预测 GM(1,1)模型 灰色系统 预测 灰色预测公式推导...
关键词:灰色预测 python 实现 灰色预测 GM(1,1)模型 灰色系统 预测 灰色预测公式推导 一.前言 本文的目的是用Python和类对灰色预测进行封装 二.原理简述 1.灰色预测概述 灰色预 ...
- python xgb模型 预测_如何使用XGBoost模型进行时间序列预测
字幕组双语原文:如何使用XGBoost模型进行时间序列预测 英语原文:How to Use XGBoost for Time Series Forecasting 翻译:雷锋字幕组(Shangru) ...
- LSTM模型对家庭用电进行多步时间序列预测
随着智能电表的兴起和太阳能电池板等发电技术的广泛应用,有大量可用的用电数据.这些数据代表了一系列与电力相关的多元时间序列,进而可以用来建模甚至预测未来的用电量.与其他机器学习算法不同,长短时记忆递归神 ...
最新文章
- Filepicker.io
- 执行力的问题--系统的无奈
- 流浪：从南海到北海，面朝大海，春暖花开。
- 【网络】解决‘ipconfig不是内部或外部命令，也不是可运行的程序
- java数据接口之链表_Java数据结构和算法之链表
- 全国计算机等级考试题库二级C操作题100套（第29套）
- c++ static关键字的作用
- linux iio 设备驱动,Linux设备驱动之IIO子系统——IIO框架数据读取-Go语言中文社区...
- 动态规划——矩阵连乘（算法设计课题）
- 最新中烟新商盟JS逆向分析实战教程
- vs code 开发企业级python_怎样在vs code上搭建python环境?
- flash加载脚本文件导致IE脚本错误 ,行53 ,字符3,缺少对象,代码0 , 怎么解决？
- Python 测试题（覆盖了大多数的基础知识和进阶）
- MES管理系统应用环境分析，以及实施面临的挑战
- 工具说明书 - Beoplay E8耳机操作及电池更换
- 玩3D游戏头晕怎么办？为什么会头晕？如何解决？
- 有效解决Adobe Acrobat XI 闪退问题
- google浏览器设置为豆沙绿
- 部署Kubernetes集群（二进制 v1.18.8版）
- vs2019导出导入配置
热门文章
- IO：Reactor和Proactor的区别
- Android --- 选项卡背景样式，左侧边有颜色
- 心理正常与异常的区分_心理正常与心理异常的区别是什么呢
- mysql获取日期的月日_MySQL获取月,日的日期列表
- 推动数据中心绿色转型（经济透视）
- 图说数据中心空调系统原理和架构
- 万维网报务器与浏览器各有什么功能,浏览器是如何获得服务器上的信息的,第3章因特网的应用.ppt...
- ML之FE：基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测
- DayDayUp：2018年06月07日高考必胜：程序猿的方式祝福莘莘学子高考必胜！
- Crawler之Scrapy：Python实现scrapy框架爬虫两个网址下载网页内容信息