文档章节

【数学建模】灰色系统理论II-Verhulst建模-GM(1,N)-GM(2,1)建模

o
 osc_jb8w6ufb
发布于 2018/08/03 10:59
字数 924
阅读 11
收藏 0

行业解决方案、产品招募中!想赚钱就来传!>>>

灰色系统理论中,GM(1,1)建模很常用,但他是有一定适应范围的。

GM(1,1)适合于指数规律较强的序列,只能描述单调变化过程。对于具有一定随机波动性的序列,我们考虑使用Verhulst预测模型,或者GM(2,1)模型。

Verhulst和GM(2,1)适合于非单调的摆动发展序列或者具有饱和状态的 S 形序列

 

 

Verhulst预测模型

 

Verhulst模型的定义如下:

image

对于模型参数,使用最小二乘估计有以下结果:

image

最终,可以求得灰色Verhulst的解为:

image

image

 

Verhulst模型应用:道路交通事故预测

image

对于交通事故死亡人数统计数据,我们首先做出大体曲线变化图,以从整体上着手。

image

可见曲线呈现S型,考虑使用verhulst建模。建模过程如下:image

image

最后我们还要进行一步模型精度检验。灰色模型有一套具体的检验标准,后注。

检验三个指标:相对误差、绝对关联度、均方差比值。利用MATLAB检验结果如下:

image

可见:

平均相对误差为 3.74%  ,则模型精度为二级;同时算得绝对关联度 g 为 0.9845,
均方差比值 C 为 0.2355,则模型精度为一级,可见模型精度较高,可用于事故预测。

 

附MATLAB程序:

 

 1 clc,clear
 2  x1=[4.93 5.33 5.87 6.35 6.63 7.15 7.37...
 3  7.39 7.81 8.35 9.39 10.59 10.94 10.44];
 4  n = length(x1);
 5  nian=1990:2003;
 6  plot(nian,x1,'o-');
 7 x0=diff(x1); %作累减生成
 8 x0=[x1(1),x0]
 9  z1=0.5*(x1(2:n)+x1(1:n-1)) %求紧邻均值生成序列
10 B=[-z1',z1'.^2]
11  Y=x0(2:end)'
12  ab_hat=B\Y %估计参数 a,b 的值
13 x=dsolve('Dx+a*x=b*x^2','x(0)=x0'); %求解常微分方程
14 x=subs(x,{'a','b','x0'},{ab_hat(1),ab_hat(2),x1(1)}); %代入参数值
15 yuce=subs(x,'t',0:14) %计算预测值
16 %下面显示微分方程的解,为了提高计算精度,把该语句放在计算预测值之后
17 x=vpa(x,6)
18  x1_all=[x1,9.92,10.71]; %加上 2004 年的两个观测值
19 yuce(16)=yuce(15); %2004 年有两个观测值,要对应两个相同的预测值
20 epsilon=x1_all-yuce %计算残差
21 delta=abs(epsilon./x1_all) %计算相对误差
22 delta_mean=mean(delta) %计算平均相对误差
23 x1_all_0=x1_all-x1_all(1); %观测值数据列的始点零化像
24 yuce_0=yuce-yuce(1); %预测值数据列的始点零化像
25 s0=abs(sum(x1_all_0(2:end-1))+0.5*x1_all_0(end));
26  s1=abs(sum(yuce_0(2:end-1))+0.5*yuce_0(end));
27  tt=yuce_0-x1_all_0;
28  s1_s0=abs(sum(tt(2:end-1))+0.5*tt(end));
29  absdegree=(1+s0+s1)/(1+s0+s1+s1_s0) %计算灰色绝对关联度
30 c=std(epsilon,1)/std(x1_all,1) %计算标准差比值

 

 

 

灰色预测模型检验标准:

1. 残差合格模型

image

image

 

2. 关联度合格模型

image

 

3. 均方差比合格模型

image

image

 

由上可知,给定一组取值,就确定了检验模型精度的一个等级。常用的精度等级见下表

image

 

GM(2,1)模型和DGM模型

1. GM(2,1)模型

image

 

弱化算子

对于初期增长势头过于猛烈的模型,为了提高精度,可以考虑使用弱化算子处理原始数列。

image

对应的,依旧是最小二乘估计参数,再对微分方程求解,得到:

image

image

image

 

 

2. DGM(2,1)模型

image

image

image

证明略。

 

GM(1,N)模型和GM(0,N)模型

 

1. GM(1,N)

image

image

image

image

 

2. GM(0,N)模型

image

 

总结:灰色预测法与传统统计方法的比较

image

o
粉丝 0
博文 500
码字总数 0
作品 0
私信 提问
加载中
请先登录后再评论。
记一次失败的Perl + Nginx + FastCGI 配置过程

这两天心血来潮,不知道为什么和 Perl + Nginx + FastCGI 配置 耗上了。但是失败了,记录如下: 1)安装Nginx 1.4.3 ,我的是WINDOWS 7 系统,修改配置文件如下: location ~ .(pl|cgi|perl)?...

通吃岛-低手哥
2013/10/27
1.6K
7
Flappy Bird(安卓版)逆向分析(一)

更改每过一关的增长分数 反编译的步骤就不介绍了,我们直接来看反编译得到的文件夹 方法1:在smali目录下,我们看到org/andengine/,可以知晓游戏是由andengine引擎开发的。打开/res/raw/at...

enimey
2014/03/04
6K
18
我的架构演化笔记 功能1: 基本的用户注册

“咚咚”,一阵急促的敲门声, 我从睡梦中惊醒,我靠,这才几点,谁这么早, 开门一看,原来我的小表弟放暑假了,来南京玩,顺便说跟我后面学习一个网站是怎么做出来的。 于是有了下面的一段...

强子哥哥
2014/05/31
976
3
Swift百万线程攻破单例(Singleton)模式

一、不安全的单例实现 在上一篇文章我们给出了单例的设计模式,直接给出了线程安全的实现方法。单例的实现有多种方法,如下面: class SwiftSingleton { } 这段代码的实现,在shared中进行条...

一叶博客
2014/06/20
3.4K
16
DNS 管理系统--NamedManager

NamedManager 是一个基于 Web 的 DNS 管理系统,可用来添加、调整和删除 DNS 的 zones/records 数据,支持 Bind 作为后端的 DNS 服务,支持 IPv4 和 IPv6。...

匿名
2013/01/23
8.7K
0

没有更多内容

加载失败,请刷新页面

加载更多

如何在Pandas的DataFrame中的行上进行迭代? - How to iterate over rows in a DataFrame in Pandas?

问题: I have a DataFrame from pandas: 我有一个来自熊猫的DataFrame : import pandas as pdinp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]df = pd.DataFrame(......

富含淀粉
22分钟前
20
0
与电商节伴生,平台销量榜单背后还有被低估的营销价值

文 | 曾响铃 来源 | 科技向令说(xiangling0815) 时至今日,电商节已经成为各巨头零售平台例行的活动,花样在不断创新,玩法也在不断涌现。 在这个过程中,伴随电商节的各种品牌、产品销量榜...

曾响铃
24分钟前
22
0
volatile关键字详解

前言 提到JAVA的并发编程,就不得不提volatile关键字,不管是在面试还是实际开发中,volatile关键字的使用都是一个应该掌握的技能。它之所以重要,是因为它和JAVA并发编程中会遇到三种重要问...

ls_cherish
50分钟前
10
0
比继承更偏爱组成? - Prefer composition over inheritance?

问题: Why prefer composition over inheritance? 为什么更喜欢使用组合而不是继承? What trade-offs are there for each approach? 每种方法都有哪些取舍? When should you choose inher...

javail
52分钟前
17
0
2020软件测试工程师史上最全面试题(内含答案)-看完BATJ面试官对你竖起大拇指!

以下是软件测试相关的面试题及答案,欢迎大家参考! 我不是至尊宝,也不是孙悟空,我只是那城墙下的一猿。  1、你的测试职业发展是什么?  测试经验越多,测试能力越高。所以我的职业发展是需...

程序员一凡
56分钟前
15
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部