GM(1,1)-马尔可夫预测计算说明

提示：本指南只针对GM(1,1)-马尔可夫预测特有的内容进行描述，关于软件的通用操作流程（如文件上传、参数设置、结果下载等），请查看：通用计算说明

1. 方法概述

GM(1,1)-马尔可夫预测模型，也有论文叫做灰色马尔可夫，它是在传统GM(1,1)灰色预测模型基础上，结合马尔可夫链理论对预测误差进行状态分析和修正的改进模型。

该方法通过分析GM(1,1)预测的相对误差序列，建立马尔可夫状态转移矩阵，利用状态转移概率来修正预测值，从而显著提高预测精度。特别适用于波动较大、误差具有一定规律性的时间序列预测。

2. 模型原理与优势

2.1 基本原理

第一步：GM(1,1)基础预测

对原始数据进行级比检验，必要时进行平移变换
对原始数据进行一次累加生成
构建灰色微分方程：$x^{(0)}(k) + az^{(1)}(k) = b$
利用最小二乘法求解发展系数a和灰色作用量b
得到时间响应公式：$\hat x^{(1)}(k+1) = \left[x^{(0)}(1) - \frac{b}{a}\right]e^{-ak} + \frac{b}{a}$
还原得到GM(1,1)基础预测值：$\hat x^{(0)}(k+1) = (1 - e^{-a})\left[x^{(0)}(1) - \frac{b}{a}\right]e^{-ak}$

第二步：马尔可夫状态分析

计算GM(1,1)预测的相对误差序列（不取绝对值）：$\omega^{(0)}(k) = \frac{x^{(0)}(k) - \hat{x}^{(0)}(k)}{x^{(0)}(k)}$
根据误差范围将其划分为不同状态：$S ={S_1, S_2, \ldots, S_m}$，其中 $S_i = [e_i^1, e_i^2]$
统计相邻时刻之间状态转移的次数，建立状态转移次数矩阵
计算状态转移概率矩阵：$P = \begin{bmatrix} p_{11} & p_{12} & \cdots & p_{1m} \ p_{21} & p_{22} & \cdots & p_{2m} \ \vdots & \vdots & \ddots & \vdots \ p_{m1} & p_{m2} & \cdots & p_{mm} \end{bmatrix}$

第三步：马尔可夫修正

基于马尔可夫预测模型：$Q(k) = Q(0)P^k$
对有实际值的预测值进行修正：$\hat{L}^{(0)}(k) = \frac{\hat{x}^{(0)}(k)}{1-0.5(e_j^1 + e_j^2)}$
对未来预测值进行修正：$\hat{L}^{(0)}(n+k) = \frac{\hat{x}^{(0)}(n+k)}{1-0.5(e_j^1 + e_j^2)}$

2.2 模型优势

提高精度：通过马尔可夫修正显著降低预测误差
适应性强：能够处理波动较大的时间序列
误差分析：提供详细的误差状态分析
理论完备：结合灰色系统理论和马尔可夫链理论

3. 适用条件与数据要求

3.1 适用条件

误差规律性：GM(1,1)预测误差具有一定的状态转移规律
数据量要求：建议至少6-8个历史数据点（比纯GM(1,1)要求更高）
波动性数据：特别适合处理有一定波动性的时间序列
状态可分：预测误差能够合理划分为不同状态区间

3.2 与GM(1,1)的比较

方面	GM(1,1)	GM(1,1)-马尔可夫
数据要求	4-20个数据点	6-20个数据点
适用场景	单调趋势数据	波动性数据
预测精度	基础精度	修正后精度更高
计算复杂度	较简单	较复杂
误差分析	基本统计	状态转移分析

4. 数据文件格式

GM(1,1)-马尔可夫需要上传包含两个工作表的Excel文件：

4.1 "数据"工作表格式

数据工作表要求：

工作表名称必须为"数据"
第一列：时间序列数据（按时间顺序排列）
数据类型：非负数值
数据量：建议6-20个数据点
==数据必须按时间顺序排列，不能有缺失值==

4.2 "状态空间"工作表格式

状态空间工作表要求：

工作表名称必须为"状态空间"
第一列：状态编号
第二列：“相对误差下限（%）”
第三列：“相对误差上限（%）”
==状态区间必须完全覆盖GM(1,1)预测结果与实际值的相对误差范围==

示例表中给出了6个状态空间编号，最小的相对误差为-10%，最大的为10%，则说明GM(1,1)预测结果与实际值的相对误差在[-10%, 10%]范围内，否则无法修正，软件会报错提示。

状态空间设计原则：

状态数量：通常4-6个状态较为合适
区间连续：相邻状态区间应当连续
实际导向：需根据实际GM(1,1)预测结果与实际值的相对误差范围设计状态区间
按需调整：状态空间的设计直接关系到马尔可夫修正的效果，需要根据预测的精度指标要求进行调整。

5. 参数设置

GM(1,1)-马尔可夫包含以下计算和绘图参数：

5.1 基本计算参数

预测长度：设置需要预测的期数（默认10期）
结果保留小数位：设置计算结果的小数位数（1-10位）

5.2 时间设置

时间类型：年份或月份
起始年份：历史数据的起始年份
起始月份：当选择月份类型时的起始月份

5.3 绘图设置

GM(1,1)-马尔可夫提供丰富的三线对比图表自定义选项：

基本设置：

绘图风格：默认、经典、ggplot、bmh、深色背景、灰度
字体选择：宋体、黑体、微软雅黑、楷体、仿宋
字体大小：修改文字大小

坐标轴设置：

x轴标签：自定义x轴标签文字
y轴标签：自定义y轴标签文字

数据点样式：

原始值散点样式：星形(*)、圆形(o)、三角形(^)、正方形(s)等
GM(1,1)散点样式：星形(*)、圆形(o)、三角形(^)、正方形(s)等
马尔可夫散点样式：星形(*)、圆形(o)、三角形(^)、正方形(s)等
散点大小：修改散点大小

图例设置：

原始值图例：自定义原始值在图例中的名称
GM(1,1)图例：自定义GM(1,1)预测值在图例中的名称
马尔可夫图例：自定义马尔可夫修正值在图例中的名称

颜色和线型：

三种数据的颜色：支持颜色选择器自定义
线型选择：实线(-)、虚线(–)、点划线(-.)

6. 计算结果

6.1 计算结果预览

计算结果页面可以预览到以下内容，直观看到部分结果，更多结果可以下载结果文件到本地查看。

GM(1,1)级比检验结果：包括原始值、级比值列表，级比检验区间，是否需要平移，平移量
GM(1,1)模型参数：发展系数 $a$，灰色作用量 $b$，保留10位小数，供精确验算
GM(1,1)相对误差、级比偏差、后验差比和小误差概率检验：检验指标数值和达到要求的程度描述，如达到较高要求等。
灰色马尔可夫相对误差、级比偏差、后验差比和小误差概率检验：检验指标数值和达到要求的程度描述，如达到较高要求等。

==通过对比灰色马尔可夫与GM(1,1)预测结果的精度指标，判断马尔可夫修正是否有效。==

除了计算结果页面可以预览部分结果，在页面下方还可以下载结果文件，结果文件的Excel里包含以下工作表：

6.2 预测结果

主要的预测结果对比表格：

时间：根据时间类型显示的时间序列
原始值：历史观测数据
GM11预测值：传统GM(1,1)的预测结果
马尔可夫修正值：经过马尔可夫修正后的最终预测值
GM11残差：原始值与GM(1,1)预测值的差值
GM11相对误差(%)：GM(1,1)预测的相对误差百分比
GM11相对误差（不取绝对值）(%)：用于状态分析的相对误差
状态：相对误差对应的马尔可夫状态
马尔可夫残差：原始值与马尔可夫修正值的差值
马尔可夫相对误差(%)：马尔可夫修正后的相对误差百分比

6.3 级比检验

与GM(1,1)相同的级比检验结果：

6.4 建模过程量

展示GM(1,1)建模的中间计算过程：

6.5 模型参数

模型的关键参数和精度指标对比：

级比检验结果：级比检验区间、是否需要平移、平移量
GM(1,1)基础参数：发展系数a（保留10位小数）、灰色作用量b（保留10位小数）
GM(1,1)精度指标：平均相对误差、后验差比C、小误差概率p
马尔可夫精度指标：修正后的平均相对误差、后验差比C、小误差概率p

注意：a、b在模型计算预测值时没有保留小数，如果需要手动本地计算，建议使用10位小数的a、b验算，否则预测结果可能有差别。

6.6 状态转移次数矩阵

记录各状态间的实际转移次数：

显示从状态 i 转移到状态 j 的实际次数
用于构建状态转移概率矩阵的基础数据

6.7 状态转移概率矩阵

马尔可夫链的核心概率矩阵：

显示从状态 i 转移到状态 j 的概率
每行概率之和为1
用于修正预测值的依据

6.8 状态向量详情

详细的状态分析和转移过程：

转移步数：到达当前状态所需的转移步数
状态1、2、3、4、5、6概率：各状态的概率分布，组合即可得到状态分布向量，即 [状态1概率，状态2概率，状态3概率，状态4概率，状态5概率，状态6概率]
选择状态：最大概率对应的状态
转移说明：转移过程的详细说明

6.9 预测对比图

系统自动生成三线对比图表：

蓝色线（原始值）：历史观测数据
橙色线（GM(1,1)预测值）：传统GM(1,1)的预测结果
绿色线（马尔可夫修正值）：经过马尔可夫修正的最终预测值
图例：清晰区分三种数据类型
对比效果：直观展示马尔可夫修正的改善效果

提醒：预测对比曲线，可以在绘图设置页面右侧预览的图片上右键-图片另存为，也可以在结果文件的【预测图】sheet表里在图片上右键另存为，即可保存到本地使用。

7. 结果解读

7.1 精度评价指标

指标计算公式

平均相对误差： $$\omega^{(0)}(k) = \frac{|x^{(0)}(k) - \hat{x}^{(0)}(k)|}{|x^{(0)}(k)|}$$

平均级比偏差： $$\rho(k)= \left|1-\left(\frac{1-0.5 a}{1+0.5a}\right)\lambda(k)\right|, \quad k=2,3 \cdots,n$$

后验差比C： $$C = \frac{S_2}{S_1}$$

小误差概率p： $$p = P\left{\left|{\varepsilon}^{(0)}(i) - \bar{\varepsilon}^{(0)}\right| < 0.6745S_1\right}$$

相对误差类指标评价标准

指标名称	非常优秀	优秀	良好	一般
平均相对误差	< 5%	5%-10%	10%-20%	> 20%
平均级比偏差	< 0.05	0.05-0.1	0.1-0.2	> 0.2

统计检验类指标评价标准

指标名称	好	合格	勉强	不合格
后验差比C	≤ 0.35	0.35-0.50	0.50-0.65	> 0.65
小误差概率p	≥ 0.95	0.80-0.95	0.70-0.80	< 0.70

7.2 模型参数意义

发展系数 $a$： 反映系统内在的发展趋势或速率，是序列增长或衰减的固有特性的量化体现。

$a > 0$：系统处于衰减状态
$a < 0$：系统处于增长状态
$|a|$的大小反映了这种增长或衰减的速度。$|a|$越大，说明趋势越强劲，变化越快；$|a|$越小，则变化越平缓

灰色作用量 $b$： 代表所有外部因素（已知和未知）对系统产生的综合影响的量化，其具体数值的绝对值大小反映了外部作用的强度

7.3 状态转移分析

状态转移矩阵解读：

分布均匀：表示状态转移随机性较强
集中分布：表示某些状态转移具有明显规律

状态向量分析：

单步转移：正常的马尔可夫转移
多步转移：用于解决多状态同最大概率的情况
转移步数越多：表示状态预测的不确定性越大

7.4 GM(1,1)预测可靠性判断

级比检验必须通过（软件自动处理）
平均相对误差 $< 20%$
后验差比 $C < 0.65$
小误差概率 $p > 0.70$

7.5 模型选择建议

选择GM(1,1)-马尔可夫的情况：

GM(1,1)预测误差较大（平均相对误差 > 15%）
数据波动性较强
误差具有一定的状态转移规律
对预测精度要求较高

继续使用GM(1,1)的情况：

GM(1,1)预测精度已经很高（平均相对误差 < 10%）
数据呈现明显的单调趋势
马尔可夫修正效果不明显

8. 常见问题

8.1 文件格式问题

问：上传文件后提示工作表缺失？

答：Excel文件必须包含名为"数据"和"状态空间"的两个工作表。请检查：

工作表名称是否完全正确（区分大小写）
是否存在这两个工作表
工作表是否为空

8.2 级比检验问题

问：原始数据不满足级比检验能用GM(1,1)吗？

答：可以，系统会自动进行平移变换处理：

软件会自动寻找合适的平移量C
对所有原始数据加上常数C，使新数据满足级比检验
预测结果会自动减去C得到真实预测值

8.3 状态空间设计问题

问：提示相对误差值无法被状态空间覆盖？

答：这表示GM(1,1)的预测误差超出了定义的状态空间范围。解决方法：

扩大状态空间的范围（如[-10%, 10%]扩展为[-20%, 20%]）
检查数据质量，排除异常值

8.4 状态转移问题

问：提示某个状态没有转移记录？

答：这通常发生在以下情况：

状态划分过细，某些状态没有出现
数据量不足，无法形成有效的状态转移
最后一个状态是孤立状态

解决方法：

合并相近的状态区间
增加历史数据量
重新设计状态空间
建议状态数量控制在3-6个

8.5 精度改善问题

问：为什么马尔可夫修正后精度没有提升？

答：可能的原因：

原始GM(1,1)预测精度已经很高，改善空间有限
状态空间设计不合理
数据不适合马尔可夫修正（如单调性过强）
样本量不足，状态转移规律不明显

8.6 预测长度问题

问：马尔可夫修正能预测多长时间？

答：虽然理论上可以预测任意长度，但建议：

短期预测（1-3期）：效果最佳
中期预测（4-6期）：效果良好
长期预测（>6期）：不确定性增大
推荐预测长度不超过历史数据量的1/2

9. 应用领域

经济预测：GDP、股价、汇率等波动性经济指标
需求预测：销售额、客流量等具有不确定性的业务指标
工程预测：设备故障率、维护成本等工程管理指标
环境预测：污染物浓度、气候变化等环境监测数据
医疗预测：疫情发展、病例数量等医疗健康数据

10. 模型局限性

GM(1,1)-马尔可夫模型适用于单变量时间序列预测
对于强非线性、多周期性数据效果可能有限
状态空间设计对预测效果影响较大
需要足够的历史数据来建立稳定的状态转移规律