灰色预测[GM(11)]MATLAB程序+改进+GM(1,m)多变量的+自己整理并运行过的

1、灰色预测gm(1,1) matlab程序% 本程序主要用来计算根据灰色理论建立的模型的预测值。% 应用的数学模型是 gm(1,1)。% 原始数据的处理方法是一次累加法。x0=input(请输入数据 );%输入数据请用如例所示形式：48.7 57.17 68.76 92.15n=length(x0);x1=ones(n,1);x1(1)=x0(1);for i=2:nx1(i)=x1(i-1)+x0(i);endb=ones(n-1,2);for i=1:(n-1) b(i,1)=-(x1(i)+x1(i+1)/2; b(i,2)=1;endbt=b;for j=1:n-1 yn(j)=x0(j

2、+1);endyn=yn;a=inv(bt*b)*bt*yn;a=a(1);u=a(2);t=u/a;t_test=input(请输入需要预测个数：);i=1:t_test+n;x1s(i+1)=(x0(1)-t).*exp(-a.*i)+t;x1s(1)=x0(1);for j=n+t_test:-1:2 x0s(j)=x1s(j)-x1s(j-1);endx=1:n;xs=2:n+t_test;x0ss=x0s(2:n+t_test);plot(x,x0,r,xs,x0ss,*-b);det=0;for i=2:n det=det+abs(x0s(i)-x0(i);enddet=det/(

3、n-1);disp(百分绝对误差为：,num2str(det),%);disp(预测值为： ,num2str(x0s(n+1:n+t_test);改进程序1（优化c值，c为微分方程的解的常数）见论文“刘发全,职承杰.灰色预测gm(1,1)模型的一点改进”% 本程序主要用来计算根据灰色理论建立的模型的预测值。% 应用的数学模型是 gm(1,1)。% 原始数据的处理方法是一次累加法。clearjm=xlsread(测试温度); x0=jm;%input(请输入数据 );%输入数据请用如例所示形式：48.7 57.17 68.76 92.15n=length(x0);x1=ones(n,1);x1(

4、1)=x0(1);for i=2:nx1(i)=x1(i-1)+x0(i);endb=ones(n-1,2);for i=1:(n-1) b(i,1)=-(x1(i)+x1(i+1)/2; b(i,2)=1;endbt=b;for j=1:n-1 yn(j)=x0(j+1);endyn=yn;a=inv(bt*b)*bt*yn;a=a(1);u=a(2);for i=1:n-1 h1=0;h1=h1+exp(-a.*i)/x0(i+1);h2=0;h2=h2+(exp(-a.*i)/x0(i+1)2;endt=u/a;h3=(x0(1)-t)*(1-exp(a)(-1)/(x0(1)2);h4

5、=(1-exp(a)(-1)/(x0(1)2;%c=(h1+h3)/(h2+h4);c=h1/h2;t_test=10;%input(请输入需要预测个数：);i=1:t_test+n;x0s(i)=c*exp(-a*i);x=1:n;xs=2:n+t_test;x0ss=x0s(2:n+t_test);plot(x,x0,r,xs,x0ss,*-b);det=0;for i=2:n det=det+abs(x0s(i)-x0(i);enddet=det/(n-1);disp(百分绝对误差为：,num2str(det),%);disp(预测值为： ,num2str(x0s(n+1:n+t_tes

6、t);改进程序2对中的进行调节，不在是取均值（=2）。直到误差达到最小clearjm=xlsread(测试温度);x0=jm;%input(请输入数据 );%输入数据请用如例所示形式：48.7 57.17 68.76 92.15for p=0:0.01:1; n=length(x0);x1=ones(n,1);x1(1)=x0(1);for i=2:nx1(i)=x1(i-1)+x0(i);endb=ones(n-1,2);for i=1:(n-1) b(i,1)=-(p*x1(i)+(1-p)*x1(i+1); b(i,2)=1;endbt=b;for j=1:n-1 yn(j)=x0(j+

7、1);endyn=yn;a=(inv(bt*b)*bt)*yn;a=a(1);u=a(2);t=u/a;for i=1:n-1h1=0;h1=h1+x0(i+1)*exp(-a*i);h2=0;h2=h2+exp(-2*a*i);endh3=(x0(1)-t)*(1-exp(a)(-1);h4=(1-exp(a)(-2);%c=(x0(1)-t)*(1-exp(a)+h1*(1-exp(a)2)/(1+h2*(1-exp(a)2);c=(h1+h3)/(h2+h4);t_test=10;%input(请输入需要预测个数：);i=1:t_test+n;x0s(i)=c*exp(-a*i);x=1

8、:n;xs=2:n+t_test;x0ss=x0s(2:n+t_test);figureplot(x,x0,r,xs,x0ss,*-b);det=0;for i=2:n det=det+abs(x0s(i)-x0(i);enddet=det/(n-1);disp(百分绝对误差为：,num2str(det),%);disp(预测值为： ,num2str(x0s(n+1:n+t_test);end多变量gm（1，m）clear allclc%输入待预测时刻 k 及原始序列 x0x0=48.1 166.2; 509.3 175.9; 532.9 200.1;544.5 258.1;554.2 293

9、.5;576.7 334.8;617.3 376.4;618.2 405.9;623.5 421.3;614.7 390.1;621.0 389.7;%对原始序列 x0 累加生成序列 x1n,m=size(x0);t_test=input(请输入需要预测个数：);k=n+t_test;for j=1:m c=0;for i=1:nc=x0(i,j)+c;x1(i,j)=c;endend%计算数据矩阵 lfor j=1:mfor i=1:n-1l(i,j)=(x1(i,j)+x1(i+1,j)/2;endendl=l ones(n-1,1);%计算 y 及参数估计值for j=1:my(1:n-1,j)=x0(2:n,j);a(:,j)=inv(l*l)*l*y(1:n-1,j) ;enda=a;a=a(1:end,1:end- 1);b=a(1:end,end);%计算模型的拟合值或预测值s=x1(1,1:end);x0s(1:m,1)=s;for k=2:n+t_testx0s(1:m,k)=e