文章編號(hào)： 1006-9798（2024）03-0055-03； DOI： 10.13306/j.1006-9798.2024.03.008

摘要： 針對(duì)最小二乘法在處理總體特征不明顯的數(shù)據(jù)時(shí)效果欠佳的問(wèn)題，提出了一種適用于“貧信息，小樣本”的預(yù)測(cè)方法，采用灰色GM（1，1）模型對(duì)數(shù)據(jù)序列進(jìn)行歸納、總結(jié)和提煉，構(gòu)建相應(yīng)的預(yù)測(cè)模型。新的參數(shù)估算方法將初始誤差的絕對(duì)值和最小化，將參數(shù)估算轉(zhuǎn)化為目標(biāo)規(guī)劃問(wèn)題，利用目標(biāo)規(guī)劃法，在不依賴于數(shù)據(jù)整體特性的前提下，有效降低異常值，簡(jiǎn)化計(jì)算過(guò)程，提高預(yù)測(cè)精度。

關(guān)鍵詞： 灰色GM（1，1）模型； 預(yù)測(cè)模型； 參數(shù)估計(jì)方法

中圖分類號(hào)： TP301.6文獻(xiàn)標(biāo)識(shí)碼： A

隨著可視化技術(shù)的快速發(fā)展，網(wǎng)絡(luò)分析工具揭示了檔案學(xué)研究熱點(diǎn)和發(fā)展方向[1]，但該方法過(guò)于主觀，缺乏數(shù)學(xué)模型的支撐，而數(shù)學(xué)模型預(yù)測(cè)檔案研究熱點(diǎn)，更客觀地反映未來(lái)趨勢(shì)[2]?；疑A(yù)測(cè)模型基于傳統(tǒng)的GM （1，1）模型，其預(yù)測(cè)效果優(yōu)于傳統(tǒng)模型。GM（1，1）模型包括均值、原始差分、均值差分和離散模型4種模型[3]，是一個(gè)連續(xù)微分方程，屬于數(shù)量經(jīng)濟(jì)模型的子結(jié)構(gòu)[4]，其優(yōu)勢(shì)在于不需要大量數(shù)據(jù)樣本，通過(guò)累加原始數(shù)據(jù)序列發(fā)現(xiàn)潛在規(guī)律。國(guó)內(nèi)很多學(xué)者針對(duì)數(shù)理模型進(jìn)行研究，并取得了較好的結(jié)果。張寧等[5]利用灰色模型GM（1，1）對(duì)情報(bào)學(xué)數(shù)據(jù)進(jìn)行了預(yù)測(cè)，蘇光耀等[6]分析了高校潛在學(xué)科的發(fā)展趨勢(shì)，體現(xiàn)了數(shù)學(xué)模型在信息資源開(kāi)發(fā)和管理決策中的應(yīng)用變革。使用GM（1，1）模型實(shí)現(xiàn)預(yù)測(cè)時(shí)，參數(shù)的估計(jì)至關(guān)重要，直接影響模型預(yù)測(cè)的結(jié)果[7]。傳統(tǒng)的最小二乘法要求數(shù)據(jù)特征符合正態(tài)分布[8]，但數(shù)據(jù)規(guī)模較小，尤其數(shù)據(jù)特征不明顯且存在異常值時(shí)[9]，處理效果不佳?；诖?，本文提出了新的優(yōu)化oYWBBAxNABPjWz4h+0lrf+DHuaf0RKzJdLFfJMtzsNk=算法進(jìn)行灰色預(yù)測(cè)模型的參數(shù)估計(jì)，綜合考慮數(shù)據(jù)特征和預(yù)測(cè)誤差，轉(zhuǎn)換最小二乘誤差平方和為最小誤差值，減少異常值影響，提升預(yù)測(cè)精度，通過(guò)應(yīng)用實(shí)例驗(yàn)證了該算法的有效性。

1灰色GM（1，1）模型

設(shè)x（0）（n）={x（0）（1），x（0）（2），…，x（0）（N）}為已知的非負(fù)序列，其一次累加序列為x（1）（n）={x（1）（1），x（1）（2），…，x（1）（N）}，其中x（1）（k）=∑ki=1x（0）（i），k=1，2，…，N。灰色GM（1，1）模型為

dx（1）（n）dn+βx（1）（n）=λ（1）

時(shí)間響應(yīng)函數(shù)[9]為

x（1）（n）=（x（1）（1）－λθ）e－θn+λθ（2）

將式（1）離散化，得

－θa（2）+λ=x（0）（2）－θa（3）+λ=x（0）（3）……－θa（N）+λ=x（0）（N）（3）

其中，a（k）=x（1）（k）+x（1）（k－1）2，x（0）（k+1）=x（1）（k+1）－x（1）（k）。對(duì)式（3）用最小二乘法求θ︿和λ︿，得

min∑Nθ，λ k=2（x（0）（k）+a（k）θ－λ）2（4）

解得（θ︿，λ︿）T=（BTB）－1BTYN，其中

B=－a（2）1－a（3）1－a（N）1YN=x（0）（2）x（0）（3）x（0）（N）

得

x︿（1）（k+1）=（x（1）（1）－θ︿）e－θ︿x+θ︿（5）

x︿（0）（k+1）=x︿（1）（k+1）－x︿（1）（k） k=1，2，…，n－1（6）

2參數(shù)估計(jì)的目標(biāo)規(guī)劃法

在GM（1，1）模型中，參數(shù)估計(jì)對(duì)預(yù)測(cè)精度至關(guān)重要。本文提出了一個(gè)基于目標(biāo)規(guī)劃法的改進(jìn)參數(shù)估計(jì)方法，將初始誤差的絕對(duì)值和最小化，轉(zhuǎn)化為目標(biāo)規(guī)劃問(wèn)題，更好地適應(yīng)數(shù)據(jù)的實(shí)際特征。式（2）為式（1）的時(shí)間響應(yīng)函數(shù)，其中θ和λ是未知參數(shù)，所以不能使用式（2）直接預(yù)測(cè)結(jié)果，通過(guò)離散化將式（1）轉(zhuǎn)化為式（3），求得未知參數(shù)θ和λ。而式（3）有解θ-和λ-的充要條件是系數(shù)矩陣和增廣矩陣的秩相等。

系數(shù)矩陣為－a（2）1－a（3）1－a（N）1; 增廣矩陣為－a（2）1x（0）（2）－a（3）1x（0）（3）－a（N）1x（0）（N）

求參數(shù)θ和λ時(shí)，需將式（3）左端與右端之差的絕對(duì)值之和達(dá)到最小，因此，建立模型

min∑Nk=2|x（0）（k）+a（k）θ－λ|（7）

引入偏差變量，轉(zhuǎn)化為以θ和λ為決策變量的目標(biāo)優(yōu)化問(wèn)題，即θ=θ1－θ2， θ1，θ2≥0，λ=λ1－λ2， λ1，λ2≥0。相應(yīng)的目標(biāo)規(guī)劃模型為

min∑Nk=2（d－k+d+k）－a（k）θ1+a（k）θ2+λ1－λ2+d－k－d+k=x（0）（k）θ1，θ2，λ1，λ2≥0，d+k≥0k=2，3，…，N（8）

其中，d+k≥0， d－k≥0， k=2，3，…，N分別為正、負(fù)偏差變量。

當(dāng)E+WH+NxTtoDhN0kx1zVwHQ==方程組（3）有解時(shí)，式（7）的目標(biāo)將達(dá)到，即d±k=0， k=2，3，…，N，求解式（7），得到參數(shù)θ︿=θ1－θ2，λ︿=λ1－λ2。預(yù)測(cè)結(jié)果由式（5）和式（6）求得。

3實(shí)例驗(yàn)證

1991—1995年中國(guó)在校研究生（單位：萬(wàn)人）數(shù)據(jù)為x（0）（k）=（8.7，9.34，10.8，12.7，13.9），對(duì)數(shù)據(jù)x（0）（m）進(jìn)行一次累加生成數(shù)列x（1）（k）=（8.7，18.04，28.84，41.54，55.44），a（k）=（13.5，9.46，11，13.5），YN=（9.42，10.7，12.8，14.5）

建立目標(biāo)規(guī)劃模型

mind－2+d+2+d－3+d+3+d－4+d+4+d－5+d+5－13.5θ1+13.5θ2+λ1－λ2+d－2－d+2=9.42－9.46θ1+9.46θ2+λ1－λ2+d－3－d+3=10.7－11θ1+11θ2+λ1－λ2+d－4－d+4=12.8－13.5θ1+13.5θ2+λ1－λ2+d－5－d+5=14.5θ1，θ2，λ1，λ2>0d－k≥0， d+k≥0， k=2，3，…，5

根據(jù)目標(biāo)規(guī)劃問(wèn)題，解得θ1=0，θ2=0.148 2，λ1=7.418，λ2=0，d－2=d+2=d－3=d+3=d－4=d+5=0，d－2=d+2=d－3=d+3=d－4=d+5=0，d+4=1.323 8，d－5=0.323 4。將θ=－0.142 8，λ︿=7.418 8代入式（5），得x︿（1）（k+1）=58.859 379e0.148 2n－50.059 317 922，分別取k=1，2，3，4得，x︿（1）（2）=18.202 481 06，x︿（1）（3）=29.106 959 77，x︿（1）（4）=41.753 372 54，x︿（1）（5）=56.334 834 81。

通過(guò)式（6）還原獲得模型的計(jì)算值。模擬計(jì)算與實(shí)測(cè)值之間的誤差對(duì)比見(jiàn)表1，其中，平均絕對(duì)誤差為0.116 6，平均相對(duì)誤差為0.992 5%。如果直接構(gòu)建灰色GM（1，1）模型，可以得到0.127 8和1.047 5%的預(yù)測(cè)值，說(shuō)明本文所提方法較已有的結(jié)果更精確。

4結(jié)論

本文針對(duì)檔案利用需求預(yù)測(cè)中數(shù)據(jù)復(fù)雜性與隨機(jī)性的問(wèn)題，提出了一種基于目標(biāo)規(guī)劃法的GM（1，1）模型改進(jìn)方法。通過(guò)生成與提取已知信息，將絕對(duì)誤差和轉(zhuǎn)化為目標(biāo)優(yōu)化問(wèn)題，利用目標(biāo)規(guī)劃法實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)。通過(guò)實(shí)驗(yàn)驗(yàn)證可知，相比傳統(tǒng)最小二乘法和其他改進(jìn)方法，本方法的預(yù)測(cè)精度更高，且無(wú)需假定數(shù)據(jù)符合正態(tài)分布，減少了對(duì)數(shù)據(jù)特性的依賴。但數(shù)據(jù)波動(dòng)較大時(shí)，模型預(yù)測(cè)仍存在一定誤差，且計(jì)算復(fù)雜度在大規(guī)模數(shù)據(jù)集上需進(jìn)一步優(yōu)化，可探索其他優(yōu)化方法與灰色模型結(jié)合，擴(kuò)大應(yīng)用領(lǐng)域。

參考文獻(xiàn)：

［1］廉旭姣， 周少鵬， 張峰. 檔案利用需求的灰色預(yù)測(cè)方法適用性對(duì)比研究[J]. 價(jià)值工程， 2018， 37（4）： 29-31.

［2］李學(xué)廣， 林秉雄， 梁炎. 數(shù)學(xué)模型在檔案信息開(kāi)發(fā)利用中的應(yīng)用[J]. 中國(guó)檔案， 2010（7）： 36-39.

［3］唐筠杰， 于英香. 近五年我國(guó)檔案學(xué)研究熱點(diǎn)領(lǐng)域及態(tài)勢(shì)分析——基于灰色預(yù)測(cè)模型[J]. 檔案與建設(shè)， 2020（10）： 30-35.

［4］姚清云， 張峰， 殷秀清， 等. 基于組合灰色預(yù)測(cè)模型的物流企業(yè)運(yùn)營(yíng)成本預(yù)測(cè)[J]. 會(huì)計(jì)之友， 2014（28）： 5-9.

［5］張寧， 袁勤儉， 沈洪洲. 我國(guó)圖情領(lǐng)域有關(guān)數(shù)據(jù)研究的態(tài)勢(shì)分析——基于灰色預(yù)測(cè)算法[J]. 情報(bào)雜志， 2017，36（8）： 156-160.

［6］蘇光耀. 基于灰色系統(tǒng)理論的高校潛勢(shì)學(xué)科發(fā)展預(yù)測(cè)研究——以浙江工商大學(xué)為例[J]. 情報(bào)探索，2018（5）： 8-14.

［7］張瑩. 運(yùn)籌學(xué)基礎(chǔ)[M]. 北京： 清華大學(xué)出版社， 2010.

［8］王香柯， 王金柱. 灰色GM（1，1）模型參數(shù)估計(jì)的目標(biāo)規(guī)劃法[J]. 青島大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2002（2）： 48-50.

［9］費(fèi)忠華， 徐輝， 姜忠義. GM（1，1）模型的理論缺陷及其基于時(shí)間響應(yīng)函數(shù)的優(yōu)化分析[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)， 2009， 39（9）： 214-219.

Optimization Algorithm for Parameter Estimation of Grey GM（1，1） Archives Model

ZHENG Lei

（Department of Science and Technology， Qingdao University， Qingdao 266071， China）

Abstract：

Aiming at the problem that the least square method is not effective in dealing with the data with unobvious overall characteristics， a prediction method suitable for “poor information， small sample” is proposed. The grey GM （1，1） model is used to summarize and refine the data series， and the corresponding prediction model is constructed. The new parameter estimation method minimizes the absolute sum of the initial error and turns the parameter estimation into a goal programming problem. By using the goal programming method， the outliers are effectively reduced， the calculation process is simplified and the prediction accuracy is improved without relying on the overall characteristics of the data.

Keywords：

grey GM（1， 1 ）model; prediction model; parameter estimation method

收稿日期： 2024-05-28； 修回日期： 2024-07-21

基金項(xiàng)目： 青島市社科規(guī)劃資助項(xiàng)目（QDSKL2201067）

第一作者： 鄭蕾（1982-），女，博士，副研究館員，主要研究方向?yàn)橹袊?guó)高等教育管理理論與政策。Email： qdzhenglei@126.com