彭振斌¹, 张闯¹, 彭文祥¹, 王继武²
1. 中南大学 地球科学与信息物理学院, 湖南 长沙 410083;
2. 北京城建道桥建设集团有限公司, 北京 100124
收稿日期：2016-03-21
基金项目：国家自然科学基金资助项目(50878212)；中央高校基本科研业务费专项资金资助项目(2016zzts435)。
作者简介：彭振斌(1952-)，男，湖南宁乡人，中南大学教授，博士生导师。

摘要：GM(1, 1) 模型的误差主要来源于背景值和初始值, 因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法, 并以X(n)为初始值和新陈代谢方法来建立GM(1, 1) 模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1, 1) 模型的预测精度.计算结果表明, 将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高, 可为类似工程提供参考.
关键词：GM(1, 1) 模型背景值新陈代谢方法预测精度
Different Structure Methods and Application of Background Value in GM(1, 1) Model
PENG Zhen-bin¹, ZHANG Chuang¹, PENG Wen-xiang¹, WANG Ji-wu²
1. School of Geosciences and Info-Physics, Central South University, Changsha 410083;
2. Beijing Urban Construction and Bridge Engineering Co. Ltd, Beijing 100124
Corresponding author: ZHANG Chuang, E-mail:980191776@qq.com
Abstract: The error of GM (1, 1) model is mainly from the background value and the initial value, thus the paper puts forward three different construction methods of background value, viz. the method of changing fixed right of background value to the variable right, the method of abstracting the data sequence as index function to construct background value, the method of abstracting the data sequence non homogeneous exponential function to construct background value. And the prediction accuracy of the three methods for background value were compared by setting up GM (1, 1) model with the initial value of X (n). Because the prediction accuracy of future development model for GM (1, 1) model is weak, we use metabolism way to establish GM (1, 1) model and continuously optimize and update the model to avoid the large error. The prediction accuracy of GM(1, 1) model from the three different construction methods of background value was compared with the engineering examples. The results show that the method of abstracting data sequence as non homogeneous exponential function has a higher prediction precision, and it can provide reference for similar projects.
Key Words: GM(1, 1) modelbackground valuemetabolic methodprediction precision
灰色预测模型GM(1, 1) 的背景值构造方法有多种, 例如:文献[1]提出用线性函数插值和高斯公式来构造背景值, 文献[2]提出用Newton-Cores公式来构造背景值, 文献[3]提出用Romper算法和二次插值法来构造背景值.多数背景值构造方法用的是插值法, 因此本文提出3种不同背景值构造方法, 分别为:把背景值的固定权改为变权的构造方法、将数据序列抽象为指数函数的构造方法、将数据序列抽象为非齐次指数函数的构造方法.GM(1, 1) 模型是利用最小二乘法获得的拟合曲线, 不一定通过第一个数据点, 因此以X(n)为初始值.GM(1, 1) 模型用于预测时, 越往未来发展模型的预测精度就越低；为避免由此产生大的误差，用新陈代谢方法使模型参数不断更新优化.通过工程实例检验这3种不同背景值构造方法建立的GM(1, 1) 模型的预测精度.
1 建立模型在建模之前要检验所用的数据序列是否可以用来建模, 用数据序列级比来检验.
定义1^[4]??设

(1)

为X序列的级比.
GM(1, 1) 模型要求级比σ(k)满足覆盖的序列, 级比检验不合格的序列, 需要进行数据变换的处理, 使其满足要求.
1.1 GM(1, 1) 模型定义2^[5]??设X⁽⁰⁾={x⁽⁰⁾(1), x⁽⁰⁾(2), …, x⁽⁰⁾(n)}为原始非负数据序列, X⁽⁰⁾的一阶累加生成序列为X⁽¹⁾={x⁽¹⁾(1), x⁽¹⁾(2), …, x⁽¹⁾(n)}, X⁽¹⁾的紧邻均值生成序列为Z⁽¹⁾={z⁽¹⁾(1), z⁽¹⁾(2), …, z⁽¹⁾(n)}, 则称

(2)

为灰色GM(1, 1) 模型, 其中, ，k=1, 2, …, n；, k=2, 3, …, n.
根据式(2) 利用最小二乘法, 估计出参数a, b的值, 得

(3)

其中:
定义3^[5]??将式

(4)

称作灰色GM(1, 1) 模型白化方程.
定理1^[5]??设B, Y, a如上所述, a=[a b]^T=(B^TB)^-1B^TY, 灰色GM(1, 1) 模型白化方程的解也称为时间响应函数

(5)

GM(1, 1) 模型是利用最小二乘法获得的拟合曲线, 不一定通过第一个数据点, 因此以x⁽¹⁾(n)为初始值建立GM(1, 1) 模型为

(6)

建立GM(1, 1) 模型的数据序列应该是等时间段的, 而原始的数据序列很多时候是不等距的, 所以要用spline三次样条插值、Hermite插值等方法对原始数据进行等距处理.
1.2 背景值的构造方法重新构造式(2) 中的背景值z⁽¹⁾(k).
① 构造方法一:
文献[6]中把背景值的固定权改为变权来构造背景值得到

(7)

式中n为待定常数.
用经验公式求出n.
对低增长指数序列:

(8)

式中:N为序列长度；R_i=x⁽¹⁾(i)/x⁽¹⁾(i-1), i=2, 3, …, N.
对高增长指数序列:

(9)

式中:N为序列长度; R_i=x⁽¹⁾(i)/x⁽¹⁾(i-1), i=2, 3, …, N.
② 构造方法二:
文献[7]中将数据序列抽象为指数函数来构造背景值得到

(10)

③ 构造方法三:
文献[8]中将数据序列抽象为非齐次指数函数来构造背景值得到

(11)

分别将式(7)，(10)，(11) 代入式(6) 建立GM(1, 1)¹模型、GM(1, 1)²模型、GM(1, 1)³模型.
1.3 新陈代谢方法^[9]以GM(1, 1)¹模型为例, 新陈代谢建模方法由初始数据序列建立GM(1, 1)¹模型预测一个值, 然后将这个预测值补充到现有数据序列之后, 同时去除第一个已有的数据, 使数据序列保持等维, 建立GM(1, 1)¹模型预测下一个值, 然后把新预测值补充到数据序列后, 同时去除上一数据序列中的第一个数据, 直到完成预测目标为止.
1.4 预测值的精度检验^[10]设e(i)为原始数据列x_i⁽¹⁾和预测数据列的残差, 即, 则可用下列指标对预测值进行精度检验.
1) 相对误差α:

(12)

2) 均方差比值C:

(13)

式中:S₁为原始数据均方差；S₂为残差均方差.
3) 绝对关联度ε:

(14)

(15)

4) 小误差概率P:

(16)

式中为残e差的均值.
2 应用实例招商局深圳前湾吹填造陆填堤围堰工程场地位于深圳市南山区前海湾, 规划为联动物流园区和码头后方堆场, 场地原始地貌属滨海潮间带, 沉积有深厚的淤泥层, 淤泥面高程为-1.50 m~+0.50 m, 淤泥呈流塑状态, 需进行填海造地及地基处理后方可满足使用功能的要求.按照设计要求, 首先结合规划的路网和码头功能分区设置封闭围堰, 将整个场区划分成7个纳泥塘(编号为A, B1, B2, C1, C2, C3, C4), 围堰由抛石爆破挤淤形成, 围堰顶宽为10.00~30.00 m, 设计顶标高为+6.00 m左右, 块石围堰下的残留淤泥厚度小于1.00 m, 围堰施工完成后进行吹填造陆.为及时了解围堰在吹填施工期间的工作状况, 保证围堰的稳定性和施工顺利进行, 达到信息化施工、满足设计和规范要求、发现和及时处理问题的目的, 对该工程进行监测.共有64个沉降监测点(T1~T64), 如图 1所示.选取监测点T17, T52的原始数据序列建立GM(1, 1)¹，GM(1, 1)²和GM(1, 1)³模型, 对围堰进行沉降预测.每1个月为一监测周期, 共选11个周期的累计沉降数据, 前8个数据用来建立模型, 后3个数据用来和预测值对比, 原始数据见表 2.
图 1(Fig. 1)

图 1 监测点布置示意图Fig.1 Schematic diagram of monitoring point

表 2(Table 2)

表 2 监测点原始数据序列Table 2 Original data sequence of monitoring points 序号 日期 累计沉降/mm 级比σ(k) 点T17 点T52 点T17 点T52 1 2006/10/22 16.2 10.3 2 2006/11/22 20.4 12.9 1.259 3 1.252 4 3 2006/12/22 24.5 15.3 1.201 0 1.186 0 4 2007/1/22 28.7 17.6 1.171 4 1.150 3 5 2007/2/22 32.1 19.4 1.118 5 1.102 3 6 2007/3/22 35.0 20.9 1.090 3 1.077 3 7 2007/4/22 37.1 22.4 1.060 0 1.071 8 8 2007/5/22 38.6 23.5 1.040 4 1.049 1 9 2007/6/22 40.8 24.7 1.057 0 1.051 1 10 2007/7/22 41.9 25.5 1.027 0 1.032 4 11 2007/8/22 42.9 26.2 1.023 9 1.027 5

表 2 监测点原始数据序列 Table 2 Original data sequence of monitoring points

因实测数据是累计沉降量, 所以以累计沉降数据为x⁽¹⁾(k), 对x⁽¹⁾(k)进行累减得到x⁽⁰⁾(k), 由式(1) 得监测点T17, T52级比见表 2, 可知数据为低增长指数序列, 取前8个数据序列建模则n=8, 级比覆盖σ(k)∈[0.800 7, 1.248 8], 可知监测点T17, T52的级比都在级比覆盖范围之内，可以用来建模.
选取表 2中监测点T17前8个实测值建模:
① GM(1, 1)¹模型为

(17)

② GM(1, 1)²模型为

(18)

③ GM(1, 1)³模型为

(19)

求出3个模型的拟合值见表 3, 然后对监测点T17后3个沉降数据序列应用新陈代谢方法逐次求出预测值, 见表 3.
表 3(Table 3)

表 3 点T17不同模型拟合值和预测值及相对误差Table 3 Fitted and predictive values and relative errors of different models for the point T17 mm 序号 日期 实测值 GM(1, 1)1 GM(1, 1)2 GM(1, 1)3 拟合值 预测值 相对误差 拟合值 预测值 相对误差 拟合值 预测值 相对误差 1 2006/10/22 16.2 16.200 0.000 16.200 0.000 16.200 0.000 2 2006/11/22 20.4 20.660 1.272 20.691 1.426 20.457 0.282 3 2006/12/22 24.5 24.757 1.050 24.777 1.130 24.626 0.514 4 2007/1/22 28.7 28.330 1.287 28.342 1.247 28.251 1.566 5 2007/2/22 32.1 31.447 2.036 31.452 2.017 31.403 2.172 6 2007/3/22 35.0 34.164 2.389 34.166 2.382 34.144 2.446 7 2007/4/22 37.1 36.534 1.527 36.534 1.525 36.527 1.544 8 2007/5/22 38.6 38.600 0.000 38.600 0.000 38.600 0.000 9 2007/6/22 40.8 40.402 0.975 40.402 0.974 40.402 0.975 10 2007/7/22 41.9 41.787 0.270 41.788 0.267 41.789 0.266 11 2007/8/22 42.9 42.791 0.254 42.794 0.247 42.796 0.242

表 3 点T17不同模型拟合值和预测值及相对误差 Table 3 Fitted and predictive values and relative errors of different models for the point T17

选取表 2中监测点T52前8个实测值建模:
① GM(1, 1)¹模型为

(20)

② GM(1, 1)²模型为

(21)

③ GM(1, 1)³模型为

(22)

求出3个模型的拟合值见表 4, 然后对监测点T52后3个沉降数据序列应用新陈代谢方法逐次求出预测值见表 4.
表 4(Table 4)

表 4 点T52不同模型拟合值和预测值及相对误差Table 4 Fitted and predictive values and relative errors of different models for the point T52 mm 序号 日期 实测值 GM(1, 1)1 GM(1, 1)2 GM(1, 1)3 拟合值 预测值 相对误差 拟合值 预测值 相对误差 拟合值 预测值 相对误差 1 2006/10/22 10.3 10.300 0.000 10.300 0.000 10.300 0.000 2 2006/11/22 12.9 12.998 0.762 13.014 0.881 12.879 0.166 3 2006/12/22 15.3 15.373 0.480 15.383 0.541 15.295 0.033 4 2007/1/22 17.6 17.454 0.828 17.459 0.799 17.406 1.101 5 2007/2/22 19.4 19.277 0.632 19.280 0.620 19.251 0.770 6 2007/3/22 20.9 20.875 0.121 20.875 0.118 20.862 0.181 7 2007/4/22 22.4 22.274 0.562 22.274 0.562 22.270 0.581 8 2007/5/22 23.5 23.500 0.000 23.500 0.000 23.500 0.000 9 2007/6/22 24.7 24.574 0.510 24.575 0.508 24.575 0.508 10 2007/7/22 25.5 25.467 0.130 25.468 0.126 25.469 0.121 11 2007/8/22 26.2 26.206 0.023 26.208 0.029 26.212 0.047

表 4 点T52不同模型拟合值和预测值及相对误差 Table 4 Fitted and predictive values and relative errors of different models for the point T52

用式(12)~(16) 来检验3种模型的拟合程度和预测效果, 检验结果见表 5.
表 5(Table 5)

表 5 不同模型的精度检验Table 5 Prediction and analysis of different models 检验指标 GM(1, 1)1 GM(1, 1)2 GM(1, 1)3 T17 T52 T17 T52 T17 T52 平均相对误差/% 1.005 5 0.368 1 1.019 6 0.380 3 0.909 6 0.318 9 绝对关联度 0.980 6 0.990 9 0.979 7 0.990 1 0.986 3 0.996 7 均方差比值 0.040 1 0.015 8 0.040 5 0.016 1 0.036 7 0.013 0 小误差概率 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0

表 5 不同模型的精度检验 Table 5 Prediction and analysis of different models

由表 3, 表 4的数据可知GM(1, 1)³模型的拟合值和预测值更靠近实测值.由表 5的数据可知监测点T10, T17, T52的平均相对误差、绝对关联度、均方差比值均为GM(1, 1)³模型＜GM(1, 1)¹模型＜GM(1, 1)²模型；小误差概率均为1.000 0.由表 1可知3个模型的精度均为一级.由此可得GM(1, 1)³模型的预测精度和有效性最好, GM(1, 1)¹模型次之, GM(1, 1)²模型最差, 但3个模型都适用于此工程.对3种不同背景值构造方法的比较可知, 将数据序列抽象为非齐次指数函数构造背景值的方法较好, 所建立的模型在工程中预测效果更好.
表 1(Table 1)

表 1 模型精度等级Table 1 Grade of model precision 精度等级 指标临界值 α ε C P 一级 0.01 0.90 0.35 0.95 二级 0.05 0.80 0.50 0.80 三级 0.10 0.70 0.65 0.70 四级 0.20 0.60 0.80 0.60

表 1 模型精度等级 Table 1 Grade of model precision

3 结论1) 用固定权改为变权构造方法、将数据序列抽象为指数函数构造方法、将数据序列抽象为非齐次指数函数构造方法建立了GM(1, 1)¹, GM(1, 1)²和GM(1, 1)³模型.
2) 采用新陈代谢方法建立模型, 参数不断更新优化, 模型的稳定性和预测精度有很大提高.
3) 比较GM(1, 1)¹, GM(1, 1)², GM(1, 1)³模型的平均相对误差、绝对关联度、均方差比值、小误差概率, 可知GM(1, 1)³模型具有较好的预测精度和有效性.
4) 由拟合结果和预测结果可知这三种模型都能很好地应用在此工程中, 达到发现问题和及时处理问题的目的.
参考文献

[1]	Dai W Z, Chen Y G.Research of GM(1, 1) background value based on Gauss-Legendre quadrature and its application[C]// IEEE International Conference on Integration Technology.Shenzhen, 2007:100-102.
[2]	Li C F.The improved background value of ameliorating GM (1, 1) model and its application[C]// 2nd IEEE International Conference on Intelligent Control and Information Processing.Harbin, 2011:131-134.
[3]	Li B, Zhao S L, Fang L.Optimized GM (1, 1) based on Romber algorithm and quadratic interpolation method[C]//International Conference on Apperceiving Computing and Intelligence Analysis.Chengdu, 2009:128-131.
[4]	邓聚龙. 灰色预测与灰决策[M]. 武汉: 华中科技大学出版社, 2002. ( Deng Ju-long. Grey forecasting and decision[M]. Wuhan: Huazhong University of Science and Technology Press, 2002.)
[5]	Liu S F, Lin Y. Grey systems theory and application[M]. Berlin: Springer, 2011: 169-190.
[6]	谭冠军, 檀甲友, 王加阳. 灰色系统预测模型GM(1, 1) 背景值重构研究[J].数学的实践与认识, 2015, 45(15): 267–273. ( Tan Guan-jun, Tan Jia-you, Wang Jia-yang. The reestablishing research of background value in grey system forecasting model GM(1, 1)[J].Mathematics in Practice and Theory, 2015, 45(15): 267–273.)
[7]	罗党, 刘思峰, 党耀国. 灰色模型GM(1, 1) 优化[J].中国工程科学, 2003, 5(8): 50–53. ( Luo Dang, Liu Si-feng, Dang Yao-guo. The optimization of grey model GM(1, 1)[J].Engineering Science, 2003, 5(8): 50–53.)
[8]	Li H W, Liu Q Y, Mao W J.An optimized GM(1, 1) model based on the modified construction method of background value[C]// International Conference on Computational & Information Sciences.Chengdu, 2010:41-44.
[9]	Liu H, Li G F, Dai T D.Application of metabolic GM(1, 1) model and Verhulst model in forecasting of soft rock roadway convergence[C]// IEEE International Conference on Remote Sensing, Environment and Transportation Engineering.Nanjing, 2012:1-4.
[10]	Ren X W, Tang Y Q, Li J, et al. A prediction method using grey model for cumulative plastic deformation under cyclic loads[J].Natural Hazards, 2012, 64(1): 441–457.DOI:10.1007/s11069-012-0248-8