---

一、灰色系统

• 白色系统：系统信息完全明确
• 灰色系统：系统部分信息已知，部分信息未知
  • 对在一定范围内变化的、与时间有关的灰色过程进行预测。
  • 过程：原始数据找规律→生成强规律性的数据序列→建立微分方程来预测未来趋势
• 黑色系统：系统的内部信息未知

---

二、GM(1,1)模型: Grey(Gray) Model

2.1 基本概念及原理

• GM(1,1)是使用原始的离散非负数据列，通过一次累加生成削弱随机性的较有规律的新的离散数据列 → 通过建立微分方程模型，得到在离散点处的解经过累减生成的原始数据的近似估计值 → 从而预测原始数据的后续发展。

  • 本节只探究GM(1,1)模型，第一个‘1’表示微分方程是一阶的，后面的‘1’表示只有一个变量

• 原理介绍：（见第12节课件P4-15）

• GM(1,1)模型的本质是有条件的指数拟合：f(x) = C1e^C2(x-1) （此处的指数规律主要针对x⁽¹⁾(k)序列而言，原始序列是作差的结果）

• GM(1,1)模型的白化方程：

• GM(1,1)模型的基本形式（亦称灰色微分方程）：

2.2 准指数规律的检验

实际建模中，要计算出ρ（k）∈（0,0.5）的占比，占比越高越好（一般前两期：ρ(2)和ρ(3)可能不符合要求，重点关注后面的期数）

2.3 发展系数与预测情形

• 发展系数越小，预测得越精确

2.4 GM(1,1)模型的评价

• 使用GM(1,1)模型对未来的数据进行预测时，需要先检验GM(1,1)模型对原数据的拟合程度（对原始数据还原的效果）。一般有两种检验方法：

2.4.1 残差检验

• 注：
  • ① 其他预测模型也可以用这个残差检验
  • ② 关于这个10%和20%的标准不是绝对的，要结合预测的场景（如物理中对精确要求高的，也可是5%）

2.4.2 级别偏差检验

2.5 GM(1,1)模型的拓展：新陈代谢模型

2.6 适用灰色预测的情况

1. 数据是以年份度量的非负数据（如果是月份或者季度数据一定要用时间序列模型）；
2. 数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5）；
3. 数据的期数较短且和其他数据之间的关联性不强（≤10，也不能太短了，比如只有3期数据），要是数据期数较长，一般用传统的时间序列模型比较合适。

---

三、示例：对长江水质污染的预测

3.1 题目

• 2005年国赛A题中给出长江在过去10年中废水排放总量，如果不采取保护措施，请对今后10年的长江水质污染的发展趋势做出预测。
  

3.2 预测题目的一些tips

1. 看到数据后先画时间序列图并简单的分析下趋势（例如：之前的时间序列分解）；
2. 将数据分为训练组和试验组，尝试使用不同的模型对训练组进行建模，并利用试验组的数据判断哪种模型的预测效果最好（例如：可用SSE指标来挑选模型，常见的模型有指数平滑、ARIMA、灰色预测、神经网络等）。
3. 选择上一步骤中得到的预测误差最小的那个模型，并利用全部数据来重新建模，并对未来的数据进行预测。
4. 画出预测后的数据和原来数据的时序图，看看预测的未来趋势是否合理。

3.3 GM(1,1)模型代码讲解

1. 画出原始数据的时间序列图，并判断原始数据中是否有负数或期数是否低于4期，如果是的话则报错，否则执行下一步；
2. 对一次累加后的数据进行准指数规律检验，返回两个指标：
   • 指标1：光滑比小于0.5的数据占比（一般要大于60%）
   • 指标2：除去前两个时期外，光滑比小于0.5的数据占比（一般大于90%）并让用户决定数据是否满足准指数规律，满足则输入1，不满足则输入0
3. 如果上一步用户输入0，则程序停止；如果输入1，则继续下面的步骤。
4. 让用户输入需要预测的后续期数，并判断原始数据的期数：
   • 数据期数为4：分别计算出传统的GM(1,1)模型、新信息GM(1,1)模型和新陈代谢GM(1,1)模型对于未来期数的预测结果，为了保证结果的稳健性，对三个结果求平均值作为预测值。
   • 数据期数为5,6或7：取最后两期为试验组，前面的n‐2期为训练组；用训练组的数据分别训练三种GM模型，并将训练出来的模型分别用于预测试验组的两期数据；利用试验组两期的真实数据和预测出来的两期数据，可分别计算出三个模型的SSE；选择SSE最小的模型作为我们建模的模型。
   • 数据期数大于7：取最后三期为试验组，其他的过程和4.2类似。
5. 输出并绘制图形显示预测结果，并进行残差检验和级比偏差检验。

---

四、神经网络预测示例

4.1 题目：辛烷值的预测

• 【改编】辛烷值是汽油最重要的品质指标，传统的实验室检测方法存在样品用量大，测试周期长和费用高等问题，不适用于生产控制，特别是在线测试。近年发展起来的近红外光谱分析方法（NIR），作为一种快速分析方法，已广泛应用于农业、制药、生物化工、石油产品等领域。其优越性是无损检测、低成本、无污染，能在线分析，更适合于生产和控制的需要。
• 实验采集得到50组汽油样品（辛烷值已通过其他方法测量），并利用傅里叶近红外变换光谱仪对其进行扫描，扫描范围900~1700nm，扫描间隔为2nm，即每个样品的光谱曲线共含401个波长点，每个波长点对应一个吸光度。
• （1）请利用这50组样品的数据，建立这401个吸光度和辛烷值之间的模型。
• （2）现给你10组新的样本，这10组样本均已经过近红外变换光谱仪扫描，请预测这10组新样本的辛烷值。

4.2 数据的导入

• 注意：在matlab下，当导入文件出错时，要注意如下两点
  
• 导入数据
  • Excel操作小技巧：选择某个单元格的数据，同时按住键盘上的Ctrl+Shift两个键不松手，然后按键盘上方向键“→”，就可以选择这个单元格所在的一行；然后再按键盘上的方向键“↓”，就可以再选取这一行所在的一整列。
    
• 保存数据（data_Octane.mat）
  • X：50个样本的吸光度数据
  • Y：50个样本的辛烷值数据
  • new_X：10个要预测样本的吸光度数据
    

4.3 神经网络模型

• 不同版本的神经网络模型位置可能不同，可自行上网查看
  
• 根据样本放在行上还是列上来选择。
  
• 训练集、验证集、测试集的比例一般选择默认的即可。（Matlab会后台自动帮我们安装这个比例来随机抽取样本，因此每次运行的结果可能都不相同）
• 隐层神经元的个数，这个参数可以根据拟合的结果再次进行调整。
• 训练算法的选取，一般是选择默认即可，选择完成后点击按钮后，Matlab就会帮我们训练出一个神经网络模型。
  • ①莱文贝格－马夸特方法（Levenberg–Marquardt algorithm）能提供数非线性最小化（局部最小）的数值解。此算法能借由执行时修改参数达到结合高斯‐牛顿算法以及梯度下降法的优点，并对两者之不足作改善（比如高斯‐牛顿算法之反矩阵不存在或是初始值离局部极小值太远）
    • 经过少数几次即可收敛
  • ②贝叶斯正则化方法（Bayesian‐regularization）
    • 可以处理过拟合，但训练很慢
    • 推荐采用该方法，拟合效果一般是最好的，MSE一般是三个中最小的（越小拟合越好）；但由于速度过慢，对机器要求高，故方法①和③用的也多
  • ③量化共轭梯度法（Scaled Conjugate Gradient ）：《模式识别与智能计算–MATLAB技术实现》
    • 每次迭代速度很快，但需要很多次的收敛
      

4.4 结果分析

• epoch：1个epoch等于使用训练集中的全部样本训练一次，每训练一次，神经网络中的参数经过调整。
• MSE: Mean Squared Error 均方误差
  • MSE = SSE/n。一般来说，经过更多的训练阶段后，误差会减小，但随着网络开始过度拟合训练数据，验证数据集的误差可能会开始增加。在默认设置中，在验证数据集的MSE连续增加六次后，训练停止，最佳模型对应于的最小MSE。
    
• 将拟合值对真实值回归，拟合优度越高，说明拟合的的效果越好。
  

4.5 保存结果

• 保存神经网络函数的代码，以及神经网络图。
  
• 保存好训练出来的神经网络模型和结果
  

4.6 进行预测

• 保存code_Octane.m
• 残差 + 拟合值 = 真实值
  

% 这里要注意，我们要将指标变为列向量，然后再用sim函数预测
sim(net, new_X(1,:)')

% 写一个循环，预测接下来的十个样本的辛烷值
predict_y = zeros(10,1); % 初始化predict_y
for i = 1: 10
	result = sim(net, new_X(i,:)');
	predict_y(i) = result;
end
disp('预测值为：')
disp(predict_y)

4.7 神经网络处理过拟合思路

• 将已知数据留尾部一小部分，用作训练出结果后的测试，计算MSE等看看大小 （有分析过程，体现有处理过拟合现象的意识）
• 或切换不同模型训练

4.8 其他：神经网络在多输出中的运用

• 多输出：多个Y值
• 过程如上，神经网络也能在多输出中使用

---

附言

• 参考课程可见 B站清风数模，如上仅作个人学习后笔记整理。