OBGM(1,N) 灰色预测

方法概述

OBGM(1,N)（Optimized Background-value Grey Model，优化背景值灰色多变量模型）在 OGM(1,N) 结构（含线性修正项与灰色作用量）基础上，进一步对背景值的构造方式进行优化。传统模型采用 \(z_1^{(1)}(k) = 0.5(x_1^{(1)}(k) + x_1^{(1)}(k-1))\)，而 OBGM(1,N) 引入背景值权重系数 \(p \in [0,1]\)：

\[ z_1^{(1)}(k) = p \cdot x_1^{(1)}(k) + (1-p) \cdot x_1^{(1)}(k-1) \]

模型形式为：

\[ x_1^{(0)}(k) + a z_1^{(1)}(k) = \sum_{i=2}^{N} b_i x_i^{(1)}(k) + h_1 (k-1) + h_2 \]

其中 \(a\) 为发展系数，\(b_i\) 为驱动系数，\(h_1(k-1)\) 为线性修正项，\(h_2\) 为灰色作用量。工具通过黄金分割搜索在 \(p \in [0,1]\) 内最小化历史拟合均方误差，自动确定最优背景值权重 \(p^*\)，使模型同时具备结构优化与背景值优化的优势。

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和 \(N-1\) 个自变量。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）

\[ x_1^{(1)}(k) = \sum_{t=1}^{k} x_1(t), \quad x_i^{(1)}(k) = \sum_{t=1}^{k} x_i(t), \quad i=2,\dots,N \]

3. 优化背景值序列

对给定的 \(p\)，构造背景值序列：

\[ z_1^{(1)}(k) = p \cdot x_1^{(1)}(k) + (1-p) \cdot x_1^{(1)}(k-1), \quad k=2,3,\dots,n \]

4. 构造矩阵方程并估计参数

对 \(k=2,3,\dots,n\) 构造方程组，写成矩阵形式 \(Y = B(p) \cdot \theta\)：

\[ Y = \begin{bmatrix} x_1^{(0)}(2) \\ x_1^{(0)}(3) \\ \vdots \\ x_1^{(0)}(n) \end{bmatrix}, \quad B(p) = \begin{bmatrix} -z_1^{(1)}(2) & x_2^{(1)}(2) & \cdots & x_N^{(1)}(2) & 1 & 1 \\ -z_1^{(1)}(3) & x_2^{(1)}(3) & \cdots & x_N^{(1)}(3) & 2 & 1 \\ \vdots & \vdots & \ddots & \vdots & \vdots & \vdots \\ -z_1^{(1)}(n) & x_2^{(1)}(n) & \cdots & x_N^{(1)}(n) & n-1 & 1 \end{bmatrix}, \quad \theta = \begin{bmatrix} a \\ b_2 \\ \vdots \\ b_N \\ h_1 \\ h_2 \end{bmatrix} \]

参数由最小二乘法估计：\(\theta(p) = (B(p)^\top B(p))^{-1} B(p)^\top Y\)。

5. 搜索最优背景值权重

定义拟合均方误差：

\[ \operatorname{MSE}(p) = \frac{1}{n} \sum_{k=1}^{n} \left( x_1(k) - \hat{x}_1(k; p) \right)^2 \]

采用黄金分割搜索在 \(p \in [0,1]\) 内最小化 \(\operatorname{MSE}(p)\)，得到最优权重 \(p^*\)，并以 \(p^*\) 对应的参数建立最终模型。

6. 拟合值计算

对 \(k=1\)，拟合值取原始值；对 \(k\ge 2\)：

\[ \hat{x}_1(k) = \sum_{i=2}^{N} b_i x_i^{(1)}(k) + h_1 (k-1) + h_2 - a z_1^{(1)}(k) \]

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，则从历史最后一期累加值继续累加，并利用递推形式求解未来累加预测值。整理得递推公式：

\[ (1 + a p^*) \hat{x}_1^{(1)}(n+t) = \sum_{i=2}^{N} b_i x_i^{(1)}(n+t) + h_1 (n+t-1) + h_2 + (1 - a(1-p^*)) \hat{x}_1^{(1)}(n+t-1) \]

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）：

1. 累加生成：得到 \(y^{(1)}\)、\(x_1^{(1)}\)、\(x_2^{(1)}\) 序列。
2. 搜索最优背景值权重：黄金分割搜索得 \(p^* = 1.0000\)。
3. 构造矩阵 B 和 Y：每行含 \(-z^{(1)}(k)\)、\(x_1^{(1)}(k)\)、\(x_2^{(1)}(k)\)、\(k-1\)、常数 1。
4. 最小二乘估计：计算得到 \(a = -0.4192\)，\(b_1 = 0.1021\)，\(b_2 = -0.8706\)，\(h_1 = 15.3736\)，\(h_2 = 126.5341\)。
5. 拟合：计算得到各年拟合值 120.00、134.86、148.24、161.89、175.11、190.00、204.73、220.16。
6. 检验：平均相对误差 0.07%（优），后验差比值 C=0.005，小误差概率 P=1.00，模型精度为”好（一级）“。
7. 预测：递推得到 2024 年 GDP 预测值约为 237.05 亿元。

结论：模型拟合良好，背景值权重优化进一步提升了精度，预测结果合理。

常见问题

Q1: OBGM(1,N) 与 OGM(1,N) 的区别是什么？

A: OBGM(1,N) 在 OGM(1,N)（含线性修正项与灰色作用量）的基础上，将背景值权重系数 \(p\) 由固定 0.5 改为优化变量，通过最小化拟合误差自动确定最优 \(p^*\)。

Q2: 背景值权重 \(p\) 有什么意义？

A: \(p\) 表示背景值更偏重当前期累加值（\(p\) 大）还是上一期累加值（\(p\) 小）。\(p=0.5\) 时为传统等权背景值；优化 \(p\) 能更贴合数据的真实演化形态。

Q3: 如何判断最优 \(p\) 的可靠性？

A: 工具同时给出拟合精度指标。若优化后平均相对误差和后验差检验均达”合格”以上，则 \(p^*\) 可信；若 \(p\) 收敛到边界值（0 或 1），建议结合业务背景判断。

Q4: 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。

Q5: 数据量很少（如 5 个点）可以使用吗？

A: 可以。OBGM(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。

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（\(a\)、\(b_i\)、\(h_1\)、\(h_2\)）与最优背景值权重 \(p^*\)
  • 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、优化背景值、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

1. 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。
2. 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。
3. 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。
4. 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。
5. 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

官方地址：https://superr.online

OBGM(1,N) 灰色预测工具界面

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

1. 曾波. 基于背景值和结构相容性改进的多维灰色预测模型[J]. 系统工程与电子技术, 2020.
2. 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.
3. 邓聚龙. 灰色系统基本方法[M]. 华中理工大学出版社, 1987.