灰色系统GM(1,n)多变量预测模型及精度检验工具

资 源 简 介

本项目开发了一套基于MATLAB的多变量灰色预测GM(1,n)模型算法，旨在解决少数据、贫信息条件下的多因素系统预测问题。代码实现了完整的建模流程，具体功能包括：1. 数据预处理与生成：对输入的原始多维时间序列数据进行累加生成（1-AGO）变换，将随机性较强的原始序列转化为规律性较强的生成序列；2. 参数估计与模型构建：建立GM(1,n)一阶多变量微分方程，利用最小二乘法原理估算模型的发展系数a和驱动项系数b向量，从而构建确定的白化方程；3. 预测求解：通过求解时间响应函数并进行累减还原（Inverse AGO），获得系统特征变量的预测值；4. 精度检验与评估：内置了完整的统计检验模块，自动计算残差序列和相对误差，并重点实现了后验差比值（c）和小误差概率（p）的计算算法，根据灰色系统理论的标准表自动判定模型精度等级（好、合格、勉强、不合格），并输出可视化对比结果。该工具适用于分析因变量受一个或多个自变量影响的复杂系统发展趋势。

详 情 说 明

灰色系统多变量预测GM(1,n)模型及精度检验工具

项目介绍

本项目基于MATLAB环境开发，实现了一套完整的灰色系统多变量预测 GM(1,n) 模型。该工具专为解决少数据、贫信息条件下的多因素系统分析与预测问题而设计。算法不仅能够处理单一时间序列的趋势预测，还能捕捉系统特征变量（因变量）与相关因素变量（自变量）之间的动态关联。

本工具的代码实现了从数据输入、模型参数估算、预测值还原到全方位精度检验的自动化流程，特别内置了符合灰色系统理论标准的统计检验模块（后验差比值C和小误差概率P），并提供直观的可视化图表。

核心功能特性

• 多变量协同建模：支持输入包含一个特征变量和多个相关因素变量的数据矩阵，构建多维灰色微分方程。
• 一阶累加生成 (1-AGO)：自动对原始数据进行累加变换，消除数据随机波动，增强序列规律性。
• 参数自动估计：利用最小二乘法（OLS）求解微分方程的发展系数和驱动项系数。
• 拟合与还原：基于时间响应函数计算拟合值，并通过累减生成（Inverse AGO）还原为原始量纲。
• 全自动精度评定：自动计算残差、相对误差、后验差比值（C）和小误差概率（P），并根据判定标准自动输出模型等级（一级至四级）。
• 结果可视化：生成包含拟合曲线对比和相对误差分布的组合图表。

算法实现与逻辑详解

本项目的脚本严格遵循以下逻辑流程实现 GM(1,n) 模型：

1. 数据预处理与生成

脚本接收一个 $N times M$ 的数据矩阵，其中第一列作为系统特征序列（预测对象），后续列作为相关因素序列。

• 累加生成计算：对输入矩阵的所有列进行 cumsum 操作，得到 1-AGO 序列 $X1$。
• 紧邻均值生成：仅对特征序列（第一列）计算紧邻均值序列 $Z1$。计算公式为 $Z1(k) = 0.5 times (X1(k) + X1(k-1))$，用于平滑数据以构建背景值。

2. GM(1,n) 模型构建 (参数估计)

算法构建如下形式的白化微分方程： $$ frac{dx_1}{dt} + a x_1 = sum_{i=2}^{n} b_i x_i $$

• 构造数据矩阵：构建矩阵 $B$ 和向量 $Y$。

* $B$ 矩阵的第一列为负的紧邻均值 $-Z1$，后续列为对应时刻相关因素的累加值 $X1$。 * $Y$ 向量为原始特征序列 $X0$（从第2个时间点开始）。

• 最小二乘求解：通过矩阵运算 $theta = (B^T B)^{-1} B^T Y$ 计算参数向量。

* $theta(1)$ 提取为发展系数 $a$，反映系统自身的发展趋势。 * $theta(2:end)$ 提取为驱动系数向量 $b$，量化各相关因素对特征变量的影响。

3. 预测求解 (时间响应函数)

代码在原始数据的时间范围内进行拟合计算。

• 驱动项动态计算：对于每一个时刻 $k$，算法利用该时刻实际的相关因素累加值 $X1(k, 2:end)$ 与驱动系数 $b$ 进行点积，计算总驱动力。
• 离散响应公式：利用以下公式计算 $k$ 时刻的累加预测值：

$$ hat{X1}(k) = (X0(1) - frac{text{drive}}{a}) e^{-a(k-1)} + frac{text{drive}}{a} $$

• 累减还原：通过 $hat{X0}(k) = hat{X1}(k) - hat{X1}(k-1)$ 将预测结果还原为原始数据层面的值。

4. 精度检验体系

代码实现了完整的统计检验逻辑，用于评估模型的可信度：

• 基础误差：计算每个样本点的残差（实际值 - 预测值）和相对误差（|残差| / 实际值）。
• 后验差比值 C：计算残差序列的标准差 $S_2$ 与原始序列的标准差 $S_1$ 之比 ($C = S_2 / S_1$)。代码中使用总体标准差公式（除以 $N$）。
• 小误差概率 P：统计残差与平均残差之差的绝对值小于 $0.6745 times S_1$ 的样本点占比。
• 等级判定：根据 $C$ 和 $P$ 的值，按照灰色系统理论标准表自动判定模型等级：

* 一级 (好)：$P ge 0.95$ 且 $C le 0.35$ * 二级 (合格)：$P ge 0.80$ 且 $C le 0.50$ * 三级 (勉强)：$P ge 0.70$ 且 $C le 0.65$ * 四级 (不合格)：其他情况

使用方法

1. 准备数据：打开脚本文件，找到 input_data 变量。将其替换为您自己的数据矩阵。

* 矩阵格式要求：每一行为一个时间样本，第一列必须是您想要预测的特征变量，第二列及之后是影响该变量的相关因素。

1. 运行脚本：在 MATLAB 命令行窗口或编辑器中运行该主函数。
2. 查看控制台输出：

* 程序将打印计算出的发展系数 $a$ 和驱动系数 $b$。 * 程序将输出详细的精度检验指标（C值、P值、平均相对误差）以及模型精度等级评价。 * 程序将以表格形式列出每个时间点的实际值、预测值、残差和相对误差。

1. 查看图表：程序会自动弹出一个图形窗口，包含两个子图：

* 上方子图展示实际数据与预测数据的拟合曲线对比。 * 下方子图以柱状图形式展示每个样本点的相对误差百分比。

系统要求

• MATLAB R2016a 或更高版本（代码使用基础矩阵运算和绘图函数，兼容性较好）。
• 无需额外的工具箱（Toolbox），主要依赖 MATLAB 核心库。