灰色预测+灰色关联分析Word文件下载.docx
《灰色预测+灰色关联分析Word文件下载.docx》由会员分享,可在线阅读,更多相关《灰色预测+灰色关联分析Word文件下载.docx(6页珍藏版)》请在冰点文库上搜索。
为了消除量纲的影响,增强不同量纲的因素之间的可比性,在进行关联度计算之前,我们首先对各要素的原始数据作...变换。
无量纲化后的数据序列形成如下矩阵:
确定参考数据列
为了比较...【评价目的】,我们选取...作为参考数据列,记作
计算,得到绝对差值矩阵
求两级最小差和两级最大差
求关联系数
由关联系数计算公式,取,分别计算每个比较序列与参考序列对应元素的关联系数,得关联系数如下:
ζ=ζ1
(1)⋯ζn
(1)⋮⋱⋮ζ1n⋯ζn(n)=
计算关联度
分别计算每个评价对象各指标关联系数的均值,以反映各评价对象与参考序列的关联关系,并称其为关联度,记为:
。
经过计算得到关联度:
[注]如果各指标在综合评价中所起的作用不同,可对关联系数求加权平均值即式中为各指标权重。
根据关联度矩阵得出综合评价结果
如果不考虑各指标权重(认为各指标同等重要),*个被评价对象由好到劣依次为:
。
如果存在多个参考数据列,则为优度分析问题,类似的得到关联度矩阵如下:
从上述关联度矩阵,可以得到如下几点结论:
由表明,在...中,【i代表的指标】占有最大的优势,它对...【参考指标】的贡献最大,其次是,,,。
由表明,在*、*、*中,与...【i代表的指标】联系最为紧密的是...【j代表的指标】。
[注] 常用的无量纲化方法有均值化法(见公式(1.1))、初值化法(见公式(1.2))和标准化变换(见公式(1.3))等.或采用内插法使各指标数据取值范围(或数量级)相同.
(1.1)
(1.2)
(1.3)
灰色系统预测模型GM(1,1)
使用条件
1.数据量不少于4个(大数据、小数据都可精准预测)
2.灰色预测适用于原始数据非负的,具有较强指数规律的序列。
3.对于发展系数a与级比有:
的可容区间为
当时,GM(1,1)可以用作中长期预测;
当时,GM(1,1)可用作短期预测中长期慎用;
当时,GM(1,1)作短期预测慎用;
当时,用残差修正GM(1,1)模型;
当时,不宜采用GM(1,1)模型。
的可容区间为=
建模步骤
设原有数据序列。
[注意剔除异常数据;
如原始数据不是非负时作平移变换,令x+0k=x0k+α]。
1.求级比,并作建模可行性分析
根据级比公式
,
求得δ=δ0,δ1,…δ(n)=()
当对所有的k有时,X(0)可用作GM(1,1)建模。
[原始数据波动变化而不是指数增长时,
需要用到二次指数平滑法来处理原始
数据:
【见灰色模型GM(1,1)的平滑改进及其应用】
否则对数据再做一定的平移变换使生成数列的级比满足条件。
]
2.数据处理
对序列做一次累加生成序列,以弱化原始序列的随机性和波动性。
即,那么有。
对序列做紧邻均值生成序列
即此处可理解为数值积分中的梯形公式
z1k=k-1kx1(t)dt
3.建立GM(1,1)灰微分方程模型
dx1k+az1k=x0k+az1k=b,并确定其参数。
令,,则。
用MATLAB最小二乘法求解参数u,。
接下来求解上面得到的基本模型x0k+az1k=b。
4.建立白化形式的近似微分方程:
,其中a为发展系数,b为灰色作用量
根据其时间响应函数
解得时间响应序列为:
由累减生成,得原始数据序列x(0)的预测值(模型还原值)为
x(0)=x01,x02,…,x0(n)=()。
5.残差检验:
序号
时间(年/月/...)
原始值
预测值
残差
相对误差
1
2
n
残差q(k)、相对误差ε(k)、平均相对误差ε(avg)与精度p的定义如下:
当ε(k)=****<
10%,p=****>
90%时,模型精度较高,可进行预报和预测。
Verhulst模型
Verhulst模型主要用来描述具有饱和状态的过程,即S形过程,常用于人口预测、生物生长、繁殖预测及产品经济寿命预测等道路交通系统是一个动态的时变系统,道路交通事故作为道路系统的行为特征量,具有一定的随机波动性,它的发展呈现某种变化趋势的非平稳随机过程,因此可建立交通事故灰色马尔可夫预测模型,以提高预测精度。
但灰色马尔可夫预测模型的应用难点是如何进行状态划分,故对于非单调的摆动发展序列或具有饱和状态的S形序列,Verhulst模型,GM(2,1)模型等更适用。
近年来中国道路交通事故表现为具有饱和状态的S形过程,故可采用Verhulst模型对其进行预测。
1.数据处理
即。
2.建立GM(1,1)Verhulst模型x0+ax1=b(x1)2,并确定其参数。
令,,则。
用MATLAB最小二乘法求解参数u,。
x0+ax1=b(x1)2,其中a为发展系数,b为灰色作用量
由累减生成,得原始数据序列x(0)的预测值(模型还原值)为x(0)=x01,x02,…,x0(n)=()。