OGM(1,N) 灰色预测

方法概述

OGM(1,N)（Optimized Grey Model，优化灰色多变量模型）在传统 GM(1,N) 基础上，在模型结构中引入线性修正项和灰色作用量，以弥补传统模型结构上无法解释的偏差，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 \(x_1^{(0)}\) 为因变量原始序列，\(x_1^{(1)}\)、\(x_i^{(1)}\) 为一次累加序列，\(z_1^{(1)}(k) = 0.5(x_1^{(1)}(k) + x_1^{(1)}(k-1))\) 为背景值，\(a\) 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。对应白化方程为：

\[ \frac{dx_1^{(1)}}{dt} + a x_1^{(1)} = \sum_{i=2}^{N} b_i x_i^{(1)} + h_1 t + h_2 \]

线性修正项与灰色作用量的引入使模型结构更完整，能显著改善结构偏差较大的多变量时间序列拟合与预测精度。

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. 构造背景值序列

\[ z_1^{(1)}(k) = 0.5 \left( x_1^{(1)}(k) + x_1^{(1)}(k-1) \right), \quad k=2,3,\dots,n \]

4. 构造矩阵方程

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

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

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 \(a\)、驱动系数 \(b_i\)、线性修正系数 \(h_1\) 和灰色作用量 \(h_2\)。

6. 拟合值计算

利用估计参数，由模型方程直接计算各期拟合值。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。由于背景值涉及未知的未来累加值，整理得递推公式：

\[ (1 + 0.5 a) \hat{x}_1^{(1)}(n+t) = \sum_{i=2}^{N} b_i x_i^{(1)}(n+t) + h_1 (n+t-1) + h_2 + (1 - 0.5 a) \hat{x}_1^{(1)}(n+t-1) \]

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）：

1. 累加生成：得到 \(y^{(1)}\)、\(x_1^{(1)}\)、\(x_2^{(1)}\) 序列。
2. 构造背景值 \(z^{(1)}(k) = 0.5(y^{(1)}(k)+y^{(1)}(k-1))\)。
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 \(a = -0.2357\)，\(b_1 = 0.2591\)，\(b_2 = -0.5862\)，\(h_1 = 12.6389\)，\(h_2 = 136.6482\)。
5. 拟合：计算得到各年拟合值 120.00、134.86、148.20、161.92、175.24、189.89、204.69、220.21。
6. 检验：平均相对误差 0.09%（优），后验差比值 C=0.006，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 236.36 亿元。

结论：模型拟合良好，线性修正项与灰色作用量有效吸收了结构偏差，预测结果合理。

常见问题

Q1: OGM(1,N) 与 GM(1,N) 的区别是什么？

A: OGM(1,N) 在 GM(1,N) 基础上增加了线性修正项 \(h_1(k-1)\) 和灰色作用量 \(h_2\)，使模型结构更完整，能吸收因变量本身及外生扰动带来的结构偏差，通常拟合精度更高。

Q2: 线性修正项系数 \(h_1\) 和灰色作用量 \(h_2\) 有什么意义？

A: \(h_1(k-1)\) 刻画随时间线性变化的未解释成分，\(h_2\) 刻画常数水平的灰色作用量。二者共同吸收模型结构误差，降低有偏估计。

Q3: 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。

Q4: 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。

Q5: 数据量很少（如 5 个点）可以使用吗？

A: 可以。OGM(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（\(a\)、\(b_i\)、\(h_1\)、\(h_2\)）
  • 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、累加拟合值）
• 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

OGM(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, 尹小勇, 孟伟. 优化灰色模型 OGM(1,N) 及其在经济增长预测中的应用[J]. 系统工程理论与实践, 2018.
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.