GM(2,1)灰色预测

方法概述

GM(2,1) 是一种二阶灰色预测模型，适用于描述具有加速度特征的非线性时间序列。与传统 GM(1,1) 相比，GM(2,1) 通过引入二阶微分方程，能够捕捉数据变化的加速度趋势，更适合具有明显拐点或增长速率变化的情况。

GM(2,1) 的核心思想是： - 对原始序列进行一阶累加（1‑AGO），使数据规律更明显。 - 建立二阶常系数微分方程，通过最小二乘法估计参数。 - 求解微分方程的特征根，构造时间响应函数。 - 累减还原得到拟合值，并向外推预测。 - 提供级比检验、相对误差检验、后验差检验等模型诊断指标。

该方法适用于具有加速度特征、数据量较小（通常 4~8 个点）且需要中长期预测的场景，如经济指标预测、人口增长、交通流量分析等。

计算步骤

1. 数据准备与验证

输入数据为两列：第一列时间标识（数值或字符串），第二列为观测值。要求： - 观测值均为正数（若含非正数，模型自动平移处理）。 - 数据长度 ≥4（推荐 ≥5）。 - 时间序列递增（非严格递增会给出警告）。

程序自动进行级比检验： [ (k) = , k=2,3,,n ] 若所有级比均落在可容区间 ((e^{-2/(n+1)}, e^{2/(n+1)})) 内，则认为原始序列适合 GM(1,1) 类模型（GM(2,1) 条件更宽松）。

2. 数据平移（若需要）

若原始数据含非正数或级比检验不通过，自动平移： [ x^{(0)}_t = x^{(0)}_t + , = (x^{(0)})+1  () ]

3. 一次累加生成 (1‑AGO)

[ x^{(1)}(k) = _{i=1}^{k} x^{(0)}(i), k=1,2,,n ]

4. 紧邻均值生成

[ z^{(1)}(k) = 0.5 ( x^{(1)}(k) + x^{(1)}(k-1) ), k=2,3,,n ]

5. 建立二阶微分方程

白化微分方程： [ + a_1 + a_2 x^{(1)} = b ]

将离散形式改写为： [ a_1 x^{(0)}(k) + a_2 z^{(1)}(k) + b = x^{(0)}(k) - x^{(0)}(k-1) + _0 ] （具体推导参考原始代码中的 B 矩阵构造）

定义： - 一阶差分：( x^{(0)}(k) = x^{(0)}(k) - x^{(0)}(k-1),  k=2,,n ) - 构造矩阵 (B) 和常数向量 (Y)： [ B = \[\begin{bmatrix} - x^{(0)}(2) & -z^{(1)}(2) & 1 \\ - x^{(0)}(3) & -z^{(1)}(3) & 1 \\ \vdots & \vdots & \vdots \\ - x^{(0)}(n) & -z^{(1)}(n) & 1 \end{bmatrix}\] , Y = \[\begin{bmatrix} x^{(0)}(2)-x^{(0)}(1) \\ x^{(0)}(3)-x^{(0)}(2) \\ \vdots \\ x^{(0)}(n)-x^{(0)}(n-1) \end{bmatrix}\]

]

6. 最小二乘估计

[ = (B^T B)^{-1} B^T Y = \[\begin{bmatrix} a_1 \\ a_2 \\ b \end{bmatrix}\]

]

7. 特解与齐次解

非齐次方程的特解：( x_p = )（若 (a_2 )）。

特征方程：( r^2 + a_1 r + a_2 = 0 )，判别式 (= a_1^2 - 4a_2)。

  • 若 (> 0)：两个不同实根 (r_1, r_2)。
  • 若 (= 0)：重根 (r)。
  • 若 (< 0)：共轭复根 (i)。

8. 时间响应函数

根据边界条件 (x^{(1)}(0) = x^{(0)}(1)) 和 (x^{(1)}(n-1) = x^{(1)}(n)) 确定常数 (C_1, C_2)。

  • 两个不同实根： [ ^{(1)}(t) = C_1 e^{r_1 t} + C_2 e^{r_2 t} + ]
  • 重根： [ ^{(1)}(t) = (C_1 + C_2 t) e^{r t} + ]
  • 共轭复根： [ ^{(1)}(t) = e^{t} ( C_1 (t) + C_2 (t) ) + ]

9. 累减还原得拟合值

[ ^{(0)}(1) = ^{(1)}(0) ] [ ^{(0)}(k) = ^{(1)}(k-1) - ^{(1)}(k-2), k=2,,n ]

若之前进行了平移，拟合值减去平移量。

10. 预测外推

对 (t = n, n+1, , n+m-1) 计算 (^{(1)}(t))，累减得到未来 (m) 个预测值。

11. 模型检验

  • 相对误差检验： [ (k) = % ] 平均相对误差 ({})，判断等级：优（<1%）、良（<5%）、合格（<10%）、不合格（≥10%）。

  • 后验差检验： [ S_1^2 = (x^{(0)}(k) - {x})^2, S_2^2 = ((k) - {})^2 ] [ C = , P = I(|(k) - {}| < 0.6745 S_1) ] 精度等级：好（C<0.35, P>0.95）、合格（C<0.5, P>0.8）、勉强合格（C<0.65, P>0.7）、不合格（其他）。

案例分析

案例背景：某地区 2015‑2020 年的 GDP 数据（亿元）如下：

年份 2015 2016 2017 2018 2019 2020
GDP 120 135 148 162 179 198

目标：预测 2021‑2023 年 GDP。

计算过程（简略）

  1. 原始序列：(x^{(0)} = [120, 135, 148, 162, 179, 198])，n=6，均为正。
  2. 一阶累加：(x^{(1)} = [120, 255, 403, 565, 744, 942])。
  3. 构造 B 与 Y（略），解出： (a_1 , a_2 , b )。
  4. 特征方程：(r^2 -0.287r +0.0091=0)，判别式正，实根 (r_1, r_2)。
  5. 时间响应函数： (^{(1)}(t) = C_1 e^{0.254t} + C_2 e^{0.033t} + 2057.14)。
  6. 解得常数 (C_1, C_2) 后计算拟合值。
  7. 检验：
    • 平均相对误差 ≈ 1.2%，属“良”。
    • 后验差 C ≈ 0.23，P=1，属“好”。
  8. 预测： 2021 年 ≈ 219.3，2022 年 ≈ 243.7，2023 年 ≈ 270.1。

常见问题

Q1: GM(2,1) 与 GM(1,1) 有何区别？

A: GM(1,1) 适用于指数增长趋势，GM(2,1) 增加了二阶导数，可模拟增长加速度变化（S 型曲线或拐点）。若数据非线性较强，GM(2,1) 通常拟合更好。

Q2: 为什么程序会平移数据？

A: 灰色模型要求原始数据为正。若含零或负数，模型可能失效。程序自动平移使数据全为正，预测后平移回原尺度。

Q3: 特征根为复数意味着什么？

A: 表示数据呈现周期性振荡衰减或增长。此时预测值可能出现波动，需结合实际情况判断是否合理。

Q4: 数据长度有何要求？

A: 至少 4 个点。理论上越长建模越稳定，但灰色模型适用于少量数据（4~10 个点），过多点可能降低预测精度。

Q5: 如何解读模型精度等级？

A: 结合后验差 C 和小误差概率 P 综合判断。若 C<0.35 且 P>0.95 为“好”，可直接使用预测结果；若“合格”或“勉强合格”，建议修正或结合其他方法；“不合格”则不宜用于决策。

平台功能

GM(2,1) 灰色预测平台提供以下核心功能：

数据输入

  • 支持 Excel（.xlsx, .xls）、CSV、TXT 格式。
  • 第一列为时间标识，第二列为观测值。
  • 自动校验数据完整性、正负性。

参数设置

  • 结果保留小数位：1~10 位，默认 4 位。
  • 预测长度：未来预测点数（默认 10）。
  • 显示中间计算过程：展示级比值、累加序列等。

结果展示

  • 预测结果表：历史拟合值 + 未来预测值。
  • 模型检验：
    • 级比检验（是否需平移）
    • 相对误差检验（平均相对误差及等级）
    • 后验差检验（C、P 及精度等级）
  • 模型参数：a1, a2, b, 特解, 特征根。
  • 精度等级说明：对照表。
  • 可视化：
    • 可高度自定义的预测曲线图（颜色、线型、点型、字体等）。
    • 支持实时更新绘图参数。
  • AI 智能分析：基于 DeepSeek V4 自动解读模型精度、参数含义，提供预测可靠性建议（每日限 3 次）。
  • 多格式导出：Excel 和 HTML 报告，包含所有检验表格和预测结果。

多工作表支持说明

  • 当前版本每次仅分析一个工作表（单序列）。若需分析多组时间序列，可分别上传文件或在工作表中切换。

使用建议

  1. 数据准备：
    • 收集至少 4 个连续时间点的观测值，最好 5~8 个。
    • 避免缺失值和异常值。
    • 若数据波动剧烈，可先进行平滑处理。
  2. 参数设置：
    • 预测长度不宜超过数据长度的 2 倍，避免外推误差过大。
    • 保留足够小数位（默认 4 位）以保证精度。
  3. 模型诊断：
    • 首先查看“后验差比值 C”和“小误差概率 P”，判定模型精度是否可用。
    • 若相对误差过大（>10%），考虑对数据取对数或差分后再建模。
    • 留意特征根是否为复数，复根预测值可能振荡。
  4. 结果解读：
    • 发展系数 a1 和 a2：反映系统惯性。a1 负值表示加速增长，正值表示减速。
    • 灰色作用量 b：外部驱动力大小。
    • 结合 AI 分析获得更深入解释。
  5. 报告导出：
    • Excel 报告包含汇总表、预测结果表、检验结果表、精度等级说明。
    • HTML 报告适合存档和分享，自动渲染带颜色标识的精度等级。
  6. 故障排除：
    • 若提示“数据包含非数值”，检查第二列是否为纯数字。
    • 若级比检验不通过且平移后仍不通过，可尝试缩短预测长度或更换模型。

平台界面

官方地址：https://superr.online

GM(2,1)灰色预测工具界面

平台界面包含：数据上传区、参数设置区、数据预览、结果选项卡（预测结果、模型检验、模型参数、计算过程）、高度可定制可视化图形和 AI 分析模块

参考文献：

  1. 邓聚龙. 灰色控制系统[M]. 华中理工大学出版社, 1985.
  2. Liu S, Yang Y, Forrest J. Grey Data Analysis: Methods, Models and Applications[M]. Springer, 2017.
  3. 基于 GM(2,1) 模型的中国能源消费预测[J]. 系统工程理论与实践, 2010, 30(6): 1118-1123. ```