GM(1,1)马尔可夫预测
方法概述
GM(1,1) 马尔可夫预测将灰色系统理论中的 GM(1,1) 模型与马尔可夫链相结合，用于时间序列的预测与修正。GM(1,1) 模型擅长捕捉系统的指数增长趋势，但难以处理随机波动；马尔可夫链则利用状态转移概率对预测残差进行修正，从而提高预测精度。
该方法的核心思想是：
- 利用 GM(1,1) 模型对原始序列进行拟合和初步预测，计算相对误差序列。
- 根据用户自定义的状态空间（相对误差区间），将相对误差划分为若干状态。
- 构建状态转移概率矩阵，基于当前状态预测未来时刻的最可能状态。
- 用状态区间的中点值对 GM(1,1) 预测值进行修正，得到马尔可夫修正后的预测值。
- 提供多种检验指标：级比检验、相对误差检验、后验差检验，并分别对比 GM(1,1) 和马尔可夫修正后的精度。
该方法适用于小样本、数据呈现指数趋势且存在随机波动的短期预测问题，尤其适合经济、环境、能源等领域中需要提高预测稳健性的场景。
计算步骤
1. 准备数据
设有原始非负时间序列：
\[ X^{(0)} = (x^{(0)}(1), x^{(0)}(2), \dots, x^{(0)}(n)) \]
同时，用户需提供状态空间表，包含三列： - 状态编号（如 1,2,3,…） - 相对误差下限（%） - 相对误差上限（%）
状态空间用于将相对误差划分到不同区间。例如：
| 状态编号 | 相对误差下限(%) | 相对误差上限(%) |
|---|---|---|
| 1 | 0 | 2 |
| 2 | 2 | 5 |
| 3 | 5 | 10 |
| 4 | 10 | ∞ |
2. GM(1,1) 建模与拟合
2.1 级比检验与数据平移
计算级比：
\[ \lambda(k) = \frac{x^{(0)}(k-1)}{x^{(0)}(k)}, \quad k=2,3,\dots,n \]
级比可容覆盖区间为 \(\Theta = \left( e^{-\frac{2}{n+1}}, e^{\frac{2}{n+1}} \right)\)。若所有 \(\lambda(k)\) 均落在 \(\Theta\) 内，则直接建模；否则需对数据加上常数 \(c\) 进行平移，使新序列满足条件。
2.2 一次累加生成（1-AGO）
对原始序列（或平移后序列）进行一次累加：
\[ X^{(1)}(k) = \sum_{i=1}^{k} x^{(0)}(i), \quad k=1,2,\dots,n \]
2.3 建立灰微分方程
构造数据矩阵 \(B\) 和常数向量 \(Y\)：
\[ B = \begin{bmatrix} -\frac{1}{2}[x^{(1)}(1)+x^{(1)}(2)] & 1 \\ -\frac{1}{2}[x^{(1)}(2)+x^{(1)}(3)] & 1 \\ \vdots & \vdots \\ -\frac{1}{2}[x^{(1)}(n-1)+x^{(1)}(n)] & 1 \end{bmatrix}, \quad Y = \begin{bmatrix} x^{(0)}(2) \\ x^{(0)}(3) \\ \vdots \\ x^{(0)}(n) \end{bmatrix} \]
2.4 求解参数
利用最小二乘法估计发展系数 \(a\) 和灰色作用量 \(b\)：
\[ \begin{bmatrix} a \\ b \end{bmatrix} = (B^T B)^{-1} B^T Y \]
2.5 时间响应函数与拟合值
时间响应函数：
\[ \hat{x}^{(1)}(k) = \left( x^{(0)}(1) - \frac{b}{a} \right) e^{-a(k-1)} + \frac{b}{a}, \quad k=1,2,\dots,n,n+1,\dots \]
累减还原得到拟合值（\(k=1\) 时取原始值）：
\[ \hat{x}^{(0)}(k) = \hat{x}^{(1)}(k) - \hat{x}^{(1)}(k-1), \quad k=2,3,\dots,n \]
若建模前进行了平移，则拟合值需减去平移量 \(c\)。
2.6 GM(1,1) 未来预测
对未来 \(m\) 个时刻（\(k=n+1, n+2, \dots, n+m\)），同样利用时间响应函数计算累加预测值，再累减还原，并减去平移量（若有）。
3. 计算相对误差与状态划分
3.1 相对误差
对于历史时刻 \(k=1,\dots,n\)，计算相对误差：
\[ e(k) = \left| \frac{x^{(0)}(k) - \hat{x}^{(0)}(k)}{x^{(0)}(k)} \right| \times 100\% \]
3.2 状态划分
根据用户提供的状态空间表，将每个相对误差 \(e(k)\) 分配到对应的状态 \(s_k\)（\(s_k \in \{1,2,\dots,S\}\)）。
4. 构建状态转移概率矩阵
统计从状态 \(i\) 转移到状态 \(j\) 的次数 \(n_{ij}\)，计算转移概率：
\[ p_{ij} = \frac{n_{ij}}{\sum_{j=1}^{S} n_{ij}} \]
得到 \(S \times S\) 的状态转移概率矩阵 \(P\)。
5. 马尔可夫修正
5.1 历史拟合修正
对于 \(k=2,\dots,n\)，取前一时刻的状态 \(s_{k-1}\)，根据转移概率矩阵预测当前最可能的状态 \(s_k^*\)（即 \(p_{s_{k-1}, s_k^*}\) 最大）。取该状态区间的中点值 \(m_{s_k^*}\)，计算修正系数：
\[ \alpha_k = 1 - \frac{m_{s_k^*}}{100} \]
则马尔可夫修正后的拟合值为：
\[ \hat{x}_{\text{Markov}}^{(0)}(k) = \hat{x}^{(0)}(k) \times \alpha_k \]
（第一个点不修正，直接取 GM(1,1) 拟合值）。
5.2 未来预测修正
对于未来时刻 \(t = n+1, n+2, \dots, n+m\)，从最后一个历史状态开始，依次根据转移概率矩阵预测下一状态，并用对应状态区间的中点值进行修正。
6. 模型检验
提供以下检验指标，分别对比 GM(1,1) 和马尔可夫修正后的结果：
- 级比检验：是否通过，是否需要平移。
- 平均相对误差：\(\bar{e} = \frac{1}{n} \sum_{k=1}^{n} e(k)\)，按 <1% (优), <5% (良), <10% (合格), ≥10% (不合格) 分级。
- 后验差检验：后验差比值 \(C = S_2 / S_1\)，小误差概率 \(P = P\{|e(k) - \bar{e}| < 0.6745 S_1\}\)，精度等级按 C 和 P 综合判定（好、合格、勉强合格、不合格）。
7. 结果输出
输出 GM(1,1) 拟合值与预测值、马尔可夫修正后的拟合值与预测值、状态序列、状态转移概率矩阵，以及各项检验指标。
案例分析
案例背景：某企业 2015~2019 年的产品销售额（万元）如下，试预测 2020~2024 年的销售额，并用马尔可夫链修正。
| 年份 | 销售额 |
|---|---|
| 2015 | 2.5 |
| 2016 | 3.0 |
| 2017 | 3.6 |
| 2018 | 4.3 |
| 2019 | 5.2 |
状态空间定义如下（用户提供）：
| 状态编号 | 相对误差下限(%) | 相对误差上限(%) |
|---|---|---|
| 1 | 0 | 2 |
| 2 | 2 | 5 |
| 3 | 5 | 10 |
| 4 | 10 | ∞ |
计算过程
1. GM(1,1) 建模
（详细计算同 GM(1,1) 案例，此处略）
- 发展系数 \(a = -0.1823\)，灰色作用量 \(b = 2.482\)
- GM(1,1) 拟合值：2.50, 3.01, 3.62, 4.35, 5.23
- GM(1,1) 预测值（2020~2024）：6.29, 7.57, 9.11, 10.96, 13.19
2. 计算相对误差
| 年份 | 实际值 | GM(1,1)拟合 | 相对误差(%) |
|---|---|---|---|
| 2015 | 2.5 | 2.50 | 0.00 |
| 2016 | 3.0 | 3.01 | 0.33 |
| 2017 | 3.6 | 3.62 | 0.56 |
| 2018 | 4.3 | 4.35 | 1.16 |
| 2019 | 5.2 | 5.23 | 0.58 |
3. 状态划分
根据状态空间：
- 0.00 → 状态1
- 0.33 → 状态1
- 0.56 → 状态1
- 1.16 → 状态1
- 0.58 → 状态1
所有相对误差均落在 [0,2) 区间，故状态序列全为 1。
4. 状态转移概率矩阵
由于只有状态1，转移矩阵为 \([1]\)。
5. 马尔可夫修正
状态1 的中点值为 1%，修正系数 \(\alpha = 1 - 1/100 = 0.99\)。
- 历史拟合：马尔可夫拟合值 = GM(1,1) 拟合值 × 0.99（第一个点除外，取原始值） 2015: 2.5, 2016: 3.01×0.99=2.98, 2017: 3.62×0.99=3.58, 2018: 4.35×0.99=4.31, 2019: 5.23×0.99=5.18
- 未来预测：同样乘以 0.99 2020: 6.29×0.99=6.23, 2021: 7.57×0.99=7.49, 2022: 9.11×0.99=9.02, 2023: 10.96×0.99=10.85, 2024: 13.19×0.99=13.06
6. 检验结果
- GM(1,1) 平均相对误差：0.53% (优)
- 马尔可夫平均相对误差：0.53% (优)（本例中修正效果不明显，因误差已很小）
- 后验差比值 C = 0.12 < 0.35，精度等级“好”
结论：模型精度高，马尔可夫修正对预测值进行了微调，预测结果可靠。
常见问题
Q1: GM(1,1) 马尔可夫预测与单独 GM(1,1) 相比有何优势？
A: GM(1,1) 模型对指数趋势拟合良好，但对随机波动无能为力。马尔可夫链利用相对误差的状态转移规律对预测值进行修正，能有效捕捉残差的非随机性，从而提高预测精度，尤其适用于数据存在一定波动的情况。
Q2: 状态空间如何确定？
A: 状态空间由用户根据历史相对误差的分布自行定义。一般可等间隔划分（如 0-2%, 2-5%, 5-10%, >10%），也可根据实际问题的精度要求自定义。状态划分过细可能导致转移矩阵稀疏，过粗则会损失修正效果。建议结合历史相对误差的直方图进行划分。
Q3: 数据平移如何处理？
A: 当原始数据包含非正数或级比检验不通过时，系统会自动对所有数据加上一个常数 \(c\)，使得新序列级比合格。预测完成后，GM(1,1) 和马尔可夫预测值会自动减去 \(c\) 进行还原。用户可在结果中查看平移量。
Q4: 预测长度如何选择？
A: 一般建议预测长度不超过原始数据个数的 1/3（例如 6 个原始数据，预测不超过 2 步）。本平台允许自定义，但用户应结合模型精度判断：若后验差比值 C 较小（<0.35），可适当增加预测长度；否则应谨慎。
Q5: 如果状态转移概率矩阵无法确定（如只有一个状态）怎么办？
A: 若所有相对误差落在同一状态，则转移概率为 1，修正系数为常数。此时马尔可夫修正退化为等比缩放，仍然有效。
Q6: 支持多工作表吗？
A: 目前版本要求 Excel 文件包含两个工作表：“数据”和“状态空间”。不支持同时分析多个独立序列，但可多次上传。
平台功能
GM(1,1) 马尔可夫预测平台提供以下核心功能：
数据输入
- 支持 Excel（.xlsx, .xls）格式。
- 必须包含两个工作表：
- “数据”：第一列为时间标识（年份、月份等），第二列为观测数据值。数据至少 4 行。
- “状态空间”：第一列状态编号，第二列相对误差下限(%)，第三列相对误差上限(%)。至少 1 行。
- 自动验证数据完整性。
参数设置
- 预测长度：未来预测的点数（默认 10）。
- 小数位数：控制结果精度（默认 4 位）。
- 显示中间计算过程：可选是否展示级比值、状态序列等中间步骤。
- 绘图参数：可自定义图形标题、坐标轴标签、颜色、线型、散点样式、字体、图形尺寸等，支持分别设置 GM(1,1) 和马尔可夫模型的样式。
结果展示
- 预测结果表：时间、类型（历史/预测）、观测值、GM(1,1) 拟合预测值、马尔可夫拟合预测值。
- 模型检验：
- 级比检验（区间、是否通过、平移量）
- 相对误差检验（GM(1,1) 和马尔可夫的平均相对误差及等级）
- 后验差检验（GM(1,1) 和马尔可夫的 C、P 及精度等级）
- 模型参数：发展系数 a、灰色作用量 b 及其含义。
- 马尔可夫数据：状态序列、状态转移概率矩阵。
- 精度等级说明：参考标准表格。
- 计算过程（可展开）：级比值、状态序列（需勾选“显示中间计算过程”）。
- 可视化：原始数据、GM(1,1) 拟合预测值、马尔可夫拟合预测值的折线图 + 散点图，支持丰富的绘图参数自定义，并在历史/预测分界处绘制竖线。
- AI 智能分析：基于 DeepSeek API 自动解读模型精度、比较两种模型效果，提供决策建议（每日限 3 次）。
- 多格式导出：支持 Excel 和 HTML 报告下载。
使用建议
准备阶段：收集至少 4 个连续时间点的数据，确保数据非负且具有单调趋势。根据历史相对误差分布合理设计状态空间（建议状态数 3~5 个）。
数据收集：使用平台提供的模板文件填写 Excel。数据工作表第一列为时间，第二列为数值；状态空间工作表三列分别为状态编号、下限、上限。确保无缺失值。
参数设置：
- 根据实际需求设置预测长度（一般不超过原始数据数量的 1/3）。
- 若想了解建模细节，勾选“显示中间计算过程”。
- 调整绘图参数以获得清晰直观的图形，可分别设置 GM(1,1) 和马尔可夫的颜色和线型以便区分。
结果解读：
- 首先查看级比检验是否通过。若未通过但系统自动平移，应关注平移量是否合理。
- 比较 GM(1,1) 平均相对误差和马尔可夫平均相对误差，判断修正是否有效。若马尔可夫误差显著降低，说明残差存在规律性；若两者接近，说明 GM(1,1) 已足够精确。
- 检查后验差比值 C 和小误差概率 P 的精度等级，综合评估模型可靠性。
- 观察状态序列，若状态频繁跳跃，说明数据波动大，马尔可夫修正可能更有价值。
- 利用 AI 分析获取专业解读和建议。
迭代优化：
- 若模型精度不理想，可尝试调整状态空间划分（更细或更粗），或增加数据点。
- 将预测结果与实际情况对比，检验模型的有效性。
- 可结合其他预测方法（如指数平滑、ARIMA）进行对比验证。
平台界面
马尔可夫预测工具界面预览)
平台界面包含：数据上传区、参数设置区、数据预览、分析结果展示和AI分析模块
参考文献：
- 邓聚龙. 灰色系统理论教程[M]. 华中理工大学出版社，1990.
- 刘思峰，谢乃明. 灰色系统理论及其应用[M]. 科学出版社，2013.
- 基于 GM(1,1) 马尔可夫链的组合预测模型[J]. 系统工程理论与实践，2005, 25(8): 74-79.