预测模型
灰色预测模型gm(1,1)
把一条偏短、信息不完整的定量序列先累加成较光滑的 1-AGO，再解一阶白化微分方程，还原后给出样本内拟合与向后若干期的点预测。
这篇能回答什么
GM(1,1) 回答的是：「这条历史不长、机制也不完全透明的定量序列，若近似按准指数规律演化，下一期（以及再往后几期）会落在何处」。它不估计自回归滞后，也不先做单位根检验，而是对原始序列（必要时先加平移常数）做一次累加生成（1-AGO），用紧邻均值构造背景值，最小二乘解出发展系数 a 与灰色作用量 b，再经时间响应函数累减还原到原始量纲。
适合：年度产值、销量、能耗等单指标、等间隔、期数偏少（本页教学序列只有 20 年）的外推；你更关心一条光滑趋势，而不是季节峰或复杂滞后结构。须指定 1 个时间变量与 1 个定量预测指标，并设定向后预测期数。
什么时候不该用
有效连续点少于 4 个不能建模。序列有明显季节或多次结构断裂时，准指数假设会失真，应改看Auto ARIMA 或Winters 季节指数平滑。要判断是否该差分，先用ADF 单位根检验。灰色关联度比较的是因素之间的几何接近，不是外推，见灰色关联分析。
如何选择方法
先数有效期数，再看序列形状。期数少、走势接近单调准指数、你愿意用两个参数（a、b）换一条光滑路径 → GM(1,1)。期数较多、残差可能仍有短记忆、需要预测区间 → Auto ARIMA。月度/季度有固定旺季 → Winters 或季节 ARIMA。只想比较两条曲线谁更「跟得上」参考序列 → 灰色关联，不要拿来报未来值。
GM(1,1)：1 个时间列 + 1 个定量指标；级比检验、a/b、后验差 C、小误差概率 P、MAPE 与外推。
Auto ARIMA：网格搜 (p,d,q)，给带区间的多步预测，通常要求更长历史。
Winters / SARIMA：明确季节周期时不要用无季节的 GM(1,1) 硬套。
灰色关联：因素排序，不是预测。
输入、输出与限制
输入
时间变量可为年份、期号或可排序的时间列；预测指标必须为定量。缺失按这两列成对删除后，按时间排序。预测期数至少为 1；教学示例按画廊绑定外推 3 期。
时间变量：最少 1 个，最多 1 个（时间或定量期号）。
预测指标：最少 1 个，最多 1 个（定量）。
预测期数：正整数，控制向后外推多少步。
输出
第一张表给出 a、b、白化方程、时间响应、平移常数 c、级比区间与结论、后验差 C、小误差概率 P、MAPE、综合精度等级与历史 N。第二张表逐期列出实际值、拟合值、残差与相对误差。第三张表是未来各期的还原预测值与 1-AGO 累加预测。图叠加历史、拟合与外推。
产品限制
至少 4 个连续有效历史点。
原始序列非正或级比未落入 Θ 时，系统会自动寻找平移常数 c，在 y=x+c 上建模再还原。
本方法不输出预测置信区间；区间需求应对照 ARIMA。
|a| 过大时表内会提示不宜直接用 GM(1,1)；本例 a = −0.0223，属于「适用于中长期预测」。
案例
研究问题。 一份年度产值从 2005 记到 2024，规划需要往后看三年的点预测。历史只有二十期，季节项估不稳，研究者想用参数很少的灰色微分方程，而不是先搜一套 ARIMA 阶数。
教学示例来自时间序列表，工作表为「annual」，有效期数 20。时间变量选「年份」，预测指标选「产值」，预测期数填 3。本页在平移 c = 38.1 后通过级比检验，精度等级为「一级 (优)」。下载后按同样角色可复现三张表。
在 StatsX 中操作
步骤 1 · 上传表格
打开工作台，将 Excel / CSV / JSON 拖入上传区。本案例使用时间序列 xlsx，确认工作表为「annual」。单文件不超过 20 MB。
步骤 2 · 查看画像与质量
确认「产值」为定量、「年份」可排序且按年连续。不要把截面编号当作时间轴。
步骤 3 · 选择「灰色预测模型gm(1,1)」
在算法目录搜索「灰色预测」或「GM」，点选灰色预测模型gm(1,1)。不要误选灰色关联分析。
步骤 4 · 指定变量并运行
时间变量勾选年份，预测指标勾选产值，预测期数设为 3（或你需要的步数）。点击运行分析。
步骤 5 · 阅读结果
先看级比是否通过、a 的适用范围与精度等级，再逐期核对残差，最后读 2025–2027 的点预测。图与表不一致时以表为准。
如何阅读输出
下表由 2005–2024 年产值（N = 20）在 StatsX 中运行 GM(1,1) 得到。发展系数 a = -0.0223（GM(1,1) 发展系数（适用于中长期预测）），灰色作用量 b = 78.3809。白化方程为 dx^(1)/dt − 0.0223 x^(1) = 78.3809。原始级比未全部合格，系统加上平移常数 c = 38.1 后，级比落入 [0.909, 1.1]，结论为通过。后验差 C = 0.1954（优于 0.35 的「优」线），小误差概率 P = 1，MAPE = 3.96%，综合精度「一级 (优)」。
| 指标 | 数值 / 方程 | 参考标准 / 说明 |
|---|---|---|
| 发展系数 a | -0.0223 | GM(1,1) 发展系数（适用于中长期预测） |
| 灰色作用量 b | 78.3809 | GM(1,1) 外生驱动作用量（内生控制灰数） |
| 白化微分方程 | dx^(1)/dt - 0.0223 x^(1) = 78.3809 | 连续动态演化白化微分方程 |
| 时间响应函数 | x^(1)(k+1) = (3600.6939) * exp(0.0223*k) - 3521.0439 | 离散化累加预测时间响应函数 |
| 平移转换常数 c | 38.1 | c = 38.1（序列平移后已满足级比条件） |
| 级比容许区间 | [0.909, 1.1] | GM(1,1) 建模允许的级比范围 Θ |
| 级比检验结论 | 通过（符合建模要求） | 全部级比是否落入容许区间 Θ |
| 后验差比值 C | 0.1954 | C<=0.35 (优), C<=0.50 (良), C<=0.65 (勉强) |
| 小误差概率 P | 1 | P>=0.95 (优), P>=0.80 (良), P>=0.70 (勉强) |
| 平均相对误差 (MAPE) | 3.96% | <=10% (优良), <=20% (合格) |
| 综合精度等级 | 一级 (优) | 模型精度极高，拟合效果优良，预测结果高度可靠 |
| 历史样本量 N | 20 | 参与建模的有效历史观测期数 |
逐期拟合里，2005 年实际值与拟合值同为 41.55、残差 0：这是 GM(1,1) 把初值钉在第一期的代数结果，不能当成「第一年完美预测」。相对误差较大的年份包括 2013 年（实际 52.54、拟合 56.62、相对误差 7.77%）与 2007 年（7.14%）；2022 年相对误差仅 0.63%。末年 2024 实际 86.15、拟合 82.9002，残差 +3.2498。
| 期次 / 时间 | 实际值 | 拟合值 | 残差 | 相对误差 (%) |
|---|---|---|---|---|
| 2005 | 41.55 | 41.55 | 0 | 0.0% |
| 2006 | 40.47 | 42.9527 | -2.4827 | 6.13% |
| 2007 | 48.22 | 44.7773 | 3.4427 | 7.14% |
| 2008 | 44.72 | 46.6429 | -1.9229 | 4.3% |
| 2009 | 46.89 | 48.5504 | -1.6604 | 3.54% |
| 2010 | 52.62 | 50.501 | 2.119 | 4.03% |
| 2011 | 55.49 | 52.4954 | 2.9946 | 5.4% |
| 2012 | 56.74 | 54.5347 | 2.2053 | 3.89% |
| 2013 | 52.54 | 56.62 | -4.08 | 7.77% |
| 2014 | 61.41 | 58.7522 | 2.6578 | 4.33% |
| 2015 | 58.9 | 60.9323 | -2.0323 | 3.45% |
| 2016 | 64.91 | 63.1616 | 1.7484 | 2.69% |
| 2017 | 62.13 | 65.441 | -3.311 | 5.33% |
| 2018 | 69.94 | 67.7717 | 2.1683 | 3.1% |
| 2019 | 68.38 | 70.155 | -1.775 | 2.6% |
| 2020 | 69.15 | 72.5918 | -3.4418 | 4.98% |
| 2021 | 77.34 | 75.0835 | 2.2565 | 2.92% |
| 2022 | 78.12 | 77.6313 | 0.4887 | 0.63% |
| 2023 | 77.76 | 80.2365 | -2.4765 | 3.18% |
| 2024 | 86.15 | 82.9002 | 3.2498 | 3.77% |
左右滑动可查看完整表格
外推 3 期：2025 年点预测 85.624（1-AGO 累加 1298.9055），2026 年 88.4091，2027 年 91.2568。路径整体上升，与 a < 0 时累加序列的指数增长一致。这些是点预测，没有 95% 区间；不要把 85.624 写成已经实现的产值。
| 预测期次 | 预测值 | 累加预测值 (1-AGO) |
|---|---|---|
| 2025 | 85.624 | 1298.9055 |
| 2026 | 88.4091 | 1387.3146 |
| 2027 | 91.2568 | 1478.5714 |
【灰色预测·级比检验】目标指标=『产值』，级比容许区间=[0.909, 1.1]，经自适应平移转换(c=38.1)后全部级比均落入区间，结论：序列适合构建 GM(1,1) 灰色动态微分方程。 【灰色预测·模型参数】发展系数 a=-0.0223（适用于中长期预测），灰色作用量 b=78.3809，微分方程为 dx^(1)/dt - 0.0223 x^(1) = 78.3809。 【灰色预测·精度评定】后验差比 C=0.1954，小误差概率 P=1.0，平均相对误差 MAPE=3.96%，综合精度等级评定为【一级 (优)】（模型精度极高，拟合效果优良，预测结果高度可靠）。 【灰色预测·未来趋势】向后外推预测 3 期走势整体呈现上升，首期预测值=85.62，末期预测值=91.26。
阅读顺序：历史 N 是否 ≥4 → 级比是否通过、c 是否被启用 → a 的符号与适用范围 → C、P、MAPE 与等级 → 逐期残差有没有整段偏高 → 未来点预测是否只当作趋势参考。本方法是外推，不是政策评估：产值上升不能解释为某一干预的因果效应。
理论与公式
记原始序列为 x^{(0)}(k)。必要时先加平移常数 c，使工作序列非负且级比 λ(k)=x(k−1)/x(k) 落入
本例 n=20，容许区间约为 [0.909, 1.1]。一次累加与紧邻均值背景值 z^{(1)} 之后，用最小二乘估计白化方程参数：
累减还原得到原始量纲的拟合与预测，再减去 c。后验差比 C 是残差标准差与原始序列标准差之比；小误差概率 P 是残差偏离残差均值不超过 0.6745 倍原始标准差的比例。邓聚龙常用标准：C≤0.35 且 P≥0.95 且 MAPE≤10% 评为一级。本页 C=0.1954、P=1、MAPE=3.96%，落入该档。−a≤0.3 时通常认为发展速度适合中长期外推。
注意事项
第一期拟合值等于观测值是初值约定，不要写进「拟合完美」的摘要。
平移常数改变的是建模尺度，还原后的预测已扣回 c；正文应报告 c=38.1。
GM(1,1) 假设准指数光滑趋势，突发台阶或季节峰会被摊进 a、b，外推易漂。
精度等级高只说明样本内残差小，不能保证 2027 年一定落到 91.26。
没有预测区间时，规划场景应同时对照 ARIMA 的区间或做样本外留一年检验。
这是外推，不是因果：不能用灰色预测评估政策净效应。
常见问题
参考文献
邓聚龙. 灰色系统理论教程[M]. 华中理工大学出版社.
刘思峰, 杨英杰, 吴利丰. 灰色系统理论及其应用[M]. 科学出版社.
Julong Deng. Control problems of grey systems[J]. Systems & Control Letters, 1982, 1(5): 288–294.
王燕. 应用时间序列分析[M]. 中国人民大学出版社.