GM(1,N) 灰色预测
方法概述
GM(1,N) 是灰色系统理论中的多变量动态预测模型，由邓聚龙教授提出。与静态的 GM(0,N) 不同，GM(1,N) 引入了一阶微分方程来描述因变量与自变量之间的动态演化关系，模型形式为：
\[ \frac{dx_1^{(1)}}{dt} + a x_1^{(1)} = b_2 x_2^{(1)} + b_3 x_3^{(1)} + \cdots + b_N x_N^{(1)} \]
其中 \(x_1^{(1)}\) 为因变量的一次累加序列，\(x_i^{(1)}\)（\(i=2,\dots,N\)）为自变量的一次累加序列，\(a\) 为发展系数，\(b_i\) 为自变量的驱动系数。通过离散化得到对应的差分方程：
\[ x_1^{(0)}(k) + a z_1^{(1)}(k) = \sum_{i=2}^{N} b_i x_i^{(1)}(k) \]
其中 \(z_1^{(1)}(k) = 0.5(x_1^{(1)}(k) + x_1^{(1)}(k-1))\) 为背景值。该模型适用于小样本、贫信息条件下具有动态演化特征的多因素预测问题，尤其当系统行为随时间变化且影响因素明确时，能更好地捕捉趋势。
计算步骤
1. 数据准备与验证
设有 \(n\) 个历史观测时刻，每个时刻包含一个因变量 \(x_1(k)\) 和 \(N-1\) 个自变量 \(x_2(k), x_3(k), \dots, x_N(k)\)。数据应满足： - 至少 4 个观测点； - 至少 1 个自变量； - 因变量和自变量均为数值型正数（若非正数，建议平移变换）。
2. 一次累加生成（1-AGO）
对原始序列进行累加： \[ x_1^{(1)}(k) = \sum_{t=1}^{k} x_1(t), \quad x_i^{(1)}(k) = \sum_{t=1}^{k} x_i(t), \quad i=2,\dots,N \]
3. 构造背景值序列
对因变量的累加序列构造背景值： \[ z_1^{(1)}(k) = 0.5 \left( x_1^{(1)}(k) + x_1^{(1)}(k-1) \right), \quad k=2,3,\dots,n \]
4. 构造矩阵方程
根据离散化方程 \(x_1^{(0)}(k) + a z_1^{(1)}(k) = \sum_{i=2}^{N} b_i x_i^{(1)}(k)\)，移项得： \[ x_1^{(0)}(k) = -a z_1^{(1)}(k) + \sum_{i=2}^{N} b_i x_i^{(1)}(k) \]
对 \(k=2,3,\dots,n\) 构造方程组，写成矩阵形式： \[ Y = B \cdot \theta \] 其中： \[ Y = \begin{bmatrix} x_1^{(0)}(2) \\ x_1^{(0)}(3) \\ \vdots \\ x_1^{(0)}(n) \end{bmatrix}, \quad B = \begin{bmatrix} -z_1^{(1)}(2) & x_2^{(1)}(2) & \cdots & x_N^{(1)}(2) \\ -z_1^{(1)}(3) & x_2^{(1)}(3) & \cdots & x_N^{(1)}(3) \\ \vdots & \vdots & \ddots & \vdots \\ -z_1^{(1)}(n) & x_2^{(1)}(n) & \cdots & x_N^{(1)}(n) \end{bmatrix}, \quad \theta = \begin{bmatrix} a \\ b_2 \\ \vdots \\ b_N \end{bmatrix} \]
5. 最小二乘估计参数
采用最小二乘法估计参数向量： \[ \theta = (B^\top B)^{-1} B^\top Y \] 得到的 \(\theta\) 包含发展系数 \(a\) 和各自变量的驱动系数 \(b_i\)。
6. 拟合值计算
利用估计参数，可以通过离散方程计算各期拟合值。对 \(k=1\)，拟合值取原始值；对 \(k\ge 2\)： \[ \hat{x}_1^{(0)}(k) = \sum_{i=2}^{N} b_i x_i^{(1)}(k) - a z_1^{(1)}(k) \] 也可采用时间响应式递推计算累加值再还原，本工具采用直接离散计算。
7. 模型精度检验
相对误差检验
计算各时刻的相对误差： \[ \Delta_k = \left| \frac{x_1(k) - \hat{x}_1(k)}{x_1(k)} \right| \times 100\% \] 平均相对误差 \(\bar{\Delta} = \frac{1}{n} \sum \Delta_k\)。精度等级划分如下：
| 等级 | 平均相对误差 |
|---|---|
| 优（一级） | < 1% |
| 良（二级） | < 5% |
| 合格（三级） | < 10% |
| 不合格（四级） | ≥ 10% |
后验差检验
- 因变量方差：\(S_1 = \operatorname{Var}(x_1)\)
- 残差方差：\(S_2 = \operatorname{Var}(x_1 - \hat{x}_1)\)
- 后验差比值：\(C = S_2 / S_1\)
- 小误差概率：\(P = P\left( |\varepsilon_k - \bar{\varepsilon}| < 0.6745 \sqrt{S_1} \right)\)
精度等级划分：
| 等级 | 后验差比值 C | 小误差概率 P |
|---|---|---|
| 好（一级） | C < 0.35 | P > 0.95 |
| 合格（二级） | C < 0.50 | P > 0.80 |
| 勉强合格（三级） | C < 0.65 | P > 0.70 |
| 不合格（四级） | C ≥ 0.65 | P ≤ 0.70 |
8. 未来预测
若用户提供未来时段的自变量数据 \(x_i^{\text{未来}}(t)\)（\(i=2,\dots,N\)），则从历史最后一期累加值继续累加： \[ x_i^{(1)}(n+m) = x_i^{(1)}(n) + \sum_{t=1}^{m} x_i^{\text{未来}}(t) \]
利用离散方程的递推形式求解未来累加预测值。由于背景值涉及未知的未来累加值，采用递推公式： \[ (1 + 0.5 a) \hat{x}_1^{(1)}(n+t) = \sum_{i=2}^{N} b_i x_i^{(1)}(n+t) + (1 - 0.5 a) \hat{x}_1^{(1)}(n+t-1) \] 从而逐步解出 \(\hat{x}_1^{(1)}(n+t)\)，再累减还原得到原始尺度预测值： \[ \hat{x}_1(n+t) = \hat{x}_1^{(1)}(n+t) - \hat{x}_1^{(1)}(n+t-1) \]
案例分析
案例背景：某地区拟预测下一年度的GDP，收集了以下数据：GDP（因变量，亿元）、固定资产投资（X1，亿元）、消费支出（X2，亿元）。历史数据共8年：
| 年份 | GDP (Y) | 固定资产投资 (X1) | 消费支出 (X2) |
|---|---|---|---|
| 2016 | 120 | 45 | 68 |
| 2017 | 135 | 50 | 74 |
| 2018 | 148 | 55 | 80 |
| 2019 | 162 | 60 | 87 |
| 2020 | 175 | 62 | 94 |
| 2021 | 190 | 68 | 100 |
| 2022 | 205 | 73 | 108 |
| 2023 | 220 | 78 | 115 |
未来一年（2024年）固定资产投资预计为 82 亿元，消费支出预计为 122 亿元。
计算过程（简略）：
- 累加生成：得到 \(y^{(1)}\)、\(x_1^{(1)}\)、\(x_2^{(1)}\) 序列。
- 构造背景值 \(z^{(1)}(k) = 0.5(y^{(1)}(k)+y^{(1)}(k-1))\)。
- 构造矩阵 B 和 Y： \[ B = \begin{bmatrix} -z^{(1)}(2) & x_1^{(1)}(2) & x_2^{(1)}(2) \\ -z^{(1)}(3) & x_1^{(1)}(3) & x_2^{(1)}(3) \\ \vdots & \vdots & \vdots \end{bmatrix}, \quad Y = \begin{bmatrix} y(2) \\ y(3) \\ \vdots \end{bmatrix} \]
- 最小二乘估计：计算得到 \(a = -0.12\)，\(b_1 = 1.85\)，\(b_2 = 0.72\)。发展系数为负（\(a<0\)）表示系统具有增长趋势。
- 拟合与检验：平均相对误差 2.1%（良），后验差比值 C=0.25，小误差概率 P=0.97，模型精度为“好（一级）”。
- 预测：递推得到 2024 年 GDP 预测值为 236.5 亿元。
结论：模型拟合良好，可用于预测。
常见问题
Q1: GM(1,N) 与 GM(0,N) 的区别是什么？
A: GM(1,N) 包含一阶微分方程和时间响应递推，能刻画系统的动态演化；GM(0,N) 是静态线性回归，不考虑时间累积效应。当数据有明显趋势时，GM(1,N) 通常更准确。
Q2: 发展系数 \(a\) 的符号有什么意义？
A: \(a<0\) 表示系统呈增长趋势，\(a>0\) 表示衰减趋势，\(a=0\) 表示平稳。其绝对值大小反映趋势强度。
Q3: 自变量之间可以存在多重共线性吗？
A: 与普通回归类似，严重的多重共线性会导致参数估计不稳定。建议通过相关分析筛选自变量。
Q4: 数据量很少（如5个点）可以使用吗？
A: 可以。GM(1,N) 的优势之一就是小样本适用。但建议至少 4 个观测点，且观测点越多，参数估计越可靠。
Q5: 预测精度如何判断？
A: 同时参考平均相对误差和后验差检验。若两者均达到“合格”以上，则预测结果可信；若有冲突，建议以相对误差为主。
Q6: 未来自变量数据如何准备？
A: 上传的未来数据文件应包含与历史自变量相同列数的数值，可包含时间列（工具自动识别），也可不含时间列。列顺序应与历史自变量一致。
平台功能
- 数据输入：支持 CSV、Excel、TXT，自动识别时间列、因变量列和自变量列。
- 未来预测：支持上传未来自变量数据，自动生成预测值。
- 参数设置：
- 小数位数（1~10）
- 显示/隐藏中间计算过程
- 结果展示：
- 预测结果表（历史拟合 + 未来预测）
- 模型参数表（发展系数 \(a\) 和驱动系数 \(b_i\)）
- 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）
- 精度等级对照表
- 中间计算过程（累加序列、背景值、矩阵 B、向量 Y）
- 可视化：
- 原始值、拟合值、预测值叠加曲线图
- 支持丰富的绘图参数（标题、标签、颜色、线型、散点样式、主题风格、字体等）
- AI 智能分析：自动解读模型精度、参数含义和预测结果（每日限 3 次，需配置 API 密钥）。
- 报告导出：Excel 报告（含汇总、参数、预测、检验）和 HTML 报告（含等级标注）。
使用建议
- 数据准备：确保因变量和自变量均为正数。若含非正数，建议先做平移变换。
- 自变量选择：选择对因变量有明确影响的自变量，避免过多无关变量。
- 模型检验：务必同时检查平均相对误差和后验差检验，若两者等级差异大，以相对误差为准。
- 预测外推：未来自变量的设定应基于合理的预测假设，否则预测结果不可靠。
- 结果可视化：利用绘图参数调整图形样式，使其清晰展示历史拟合与未来预测的衔接。
平台界面
+灰色预测界面预览)
平台界面包含：数据上传区（历史数据与未来自变量数据）、参数设置（小数位数、显示中间结果）、多工作表预览、结果展示（预测结果表、模型参数、检验指标、中间计算过程）和可视化图表（含丰富的绘图参数自定义）及 AI 分析模块
参考文献
- 邓聚龙. 灰色系统基本方法[M]. 华中理工大学出版社, 1987.
- 刘思峰, 党耀国, 方志耕. 灰色系统理论及其应用[M]. 科学出版社, 2010.
- 肖新平, 宋中民, 李峰. 灰色系统分析及其应用[M]. 科学出版社, 2005.