灰色预测模型gm11详细步骤

灰色预测简介，灰色系统里用方法的核心是灰色动态模型，特点是深层函数和灰色微分方程。 以威风尼克为核心的建模方法理论认为一切随机量都是在一定范围内、一定时段上的灰色量和灰过程。 g grey 表现灰色 m model 模型定义导数为 d k 等于 x 零 k x 一 k 加 x 一 k 一， 然后令这个为数列的零值生成数列得到 z 一 k 等于 f x 一 k 加一减二发一 z e k 等于二负 x 一哎 k 加一减二负 x 一 啊。 d g m 以内 就是构造函数。训练预测，这样是用于检验的。引入 demico 库，用于小数点精度计算预测函数，该库用于绘图导入南派和 pandas 训练及进行训练。使用测试机预测，最后评估，这样是可视化使用绘图。 然后这是实际值，这是蓝色实际值，黄色预测值。这个是测试级， 这是预测值。通过残差检验和几笔检验。哦这是通过光滑检验和几笔检验。可以用行求出灰参数 a 和 u。

这样讲，灰色预测模型 gm 一他的一个啊概念和一个计算的一个界面。哦，可以先操作一下啊，这个就是 界面函数，然后这是那个图形啊，点按钮文件，点 f ig 文件，然后点击运行，然后这里的话就可以首先是这个导入数据，可以选择一般是 ese 数据， 然后点击这个打开选中打开，然后这会出现打开及数据加载完毕，我们也可以看一下这个数据。呃，里面是，呃具体什么样的格式和内容 啊？我这里用的是一个啊中国电动车的保有量的一个数据，然后啊第一列的话就是年份，他是案列， 嗯，成熟的，然后第二点是他对应的数据，就是第一点是年份，第二点是是那个数据， 然后我们可以就是通过输入参数，然后去看那个输出的计算的结果。比如说我这里数据开始是二零一六年，然后原始数据他那个是二零二零年， 二零二零，然后呃，假设往后预测十年，就是啊最终的预测年份是二零三零年， 然后预测就是十年的数据，有十个可以输入这个 x 轴坐标年份，因为每个啊坐标不一样， y 轴坐标是车辆个数， 单位是万两。然后就是啊可以根据那个一般是预存年份吗？然后就是 s 轴弯轴坐标，可以通过你的键盘输入选择，然后这是输入的原始数据， 然后数据已经导入了，然后点击开始计算，然后他就会计算出相应的那个，呃结果，然后这这这边的右侧会生成啊，四个就是三个图片，就是这， 然后程序生成的三个图片他会保存在这，呃就是你的满头转把的运行路径下，然后也同时会生成一个预测的数据的，一个啊，一个上我们可以看一下这个，这就是啊预测的一个数据 总共有十五个，然后后面十个是预测的，前面十个是根据这个预测模型来看的，然后同时的话啊，就还有这三个图片 啊，三个图片的话分别对应的是这个预测，对应的是这个这个，然后这个对应的是绝对无差，相对无差，然后同啊这是同时可以显示这个预测的是个数据， 然后这个灰色预测他的系数发展系数 ab 也会在这里输出，然后相对残差、检验方差、硬比啊、小概率误差 啊，都会都会在这里输入，就是只要输入这个参数就行了，然后可以点击这个清除，然后关闭 啊，这就是做一个界面的计计算啊，具有名义的话，他是啊就是通过这个微方程，一届微方程去构建的一个灰色预测模型，他的优点的话就是 需要的那个历史数据比较少，就是在能源预测方面用的比较多啊。具体的话就是他是根据这个原始的序列，根据这个原始的数据，然后对这个数据进行累计，比如说这个二十一的话就是二十零， 然后二十一的话就是，呃，就是这两个前面两项相加，然后通过累加获得的数据， 然后呃，对这个哪家数据啊？获得之后就是啊构建一个微分方程，然后主要是通过最小二乘法去求解这个发展系数和那个就是 ab 这两个系数，然后 ab 两个系数确定之后，他就可以 得到这个预测的一个模型的一个参数的一个预测模型，他就是啊，比如说这是 啊预测的数据，他就是等于呃当前的数据减去 b 除以 a 乘以一的负 a t 加上 b 除以 a， 就只要 a b 参数球选了这个预测模型就有了。 然后预测模型的检验主要是通过三种，一种是弹叉，也就是那个啊 q， 然后后后眼叉就是那个 c， 然后下个六 p 啊，一般的话就是那个啊，小颗粒误差批越大越经济一呃越接近一的话，他的那个啊，证明这个模型的啊，你和那个预测的效果比较好，然后 c 的话， c 如果是小于零点三五的话，就是预设结果比较好啊， c 小于零点五的话就是合格，然后对应的那个，然后这个程序的话就在这里，就是啊，这个用到的这个灰色预设的程序 啊，可以放在这里就是，然后 gui 界面的话就是需要这个打扫，然后打扫完之后就可以点击这个啊，这个可以在公众号回复或者是联系，然后加微信， 好完整的程序。呃，啊，这个是啊，一般这个程序就够用了，回首预测的啊，一般这个程序就够用了，直接输入输出啊，输入这个数据和预测年份，他就会有输出这个结果啊，如果是界面操作比较简单 啊，就可以。呃，可以在这个公众号的这个菜单上啊，点击这个历史文章 去查找这个推文，然后程序就在里面哦，公众号的话就在里面， 然后这里会有往期的一些内容，也可以点击这个。

两步搞定灰色预测模型分析。第一步，导入数据选择分析方法，灰色预测模型分析。第二步，拖转样本查看结果，自动生成 gm 模型、 笔直表格模型构建结果模型预测值表格、 gm 模型、检验表模型礼盒和预测图分析结果超清晰，可以导出多种格式，还可以参考智能分析结果和分析建议哦！

大家好，我是大苗，首先祝大家新年快乐，自从给大家分享了一些供应链的需求模型后啊，总会被问到，大苗老师，我们公司做需求预测用什么模型好？ 遇到这种情况，真是让我有一种嗯，被堵住的感觉，因为这是系统性的问题，他不仅仅是说用哪个模型所能解决的。我这次啊就分享给大家这个视频，下回你们谁再来问我，我就直接把这个视频发给他，所以我在这里尽可能的讲清楚， 建议很多同学啊，其实并没有很好的数据分析的基础，我后面也会陆续的给到大家一些实战中的经验法则，能让大家哎，拿来即用。 做了这么多年的数据分析师，不论是从公式的管理层，还是基层的同事，那不管是老师还是学员，一直都存在着两种极端的声音，要么说模型就是纸上谈兵，你想说啥就是啥喽，要么觉得模型是万能的， 想预测哪个值就能预测对哪个值，只要你找到那个对的万能模型。 于是乎啊，总有人来问大苗，那个万能的模型是啥？模型的关键呢，不仅仅是在于算法的复杂，如果仅仅从已有的数据出发，预测模型的正确率， 选择出模型效果好，准确度高的模型也可能是过拟合。首先数据是基础，我们要找到合适的质段数据，要清洗干净啊，怎么清洗我们下回讲，然后选择合适的模型参数。大家有没有想过呀， 为什么我们能够去进行预测，或者会不会有人觉得我们是预测不了的？ 这张图啊，是时间序列的经典分解图，分解为趋势部分，季节性和禅茶。对于有规律的，有趋势的，我们是可以进行预测的， 对于未知的，那么我们可能要进行一些数据外的判断，比如是不是一些促销的活动呀，或者是新品的上市，或者老品的一些下市，这样的管理行为所造成的。 那我找到这些行为的变化，哎，再去除到一部分的波动，那剩下的很可能只是一小部分。于是啊，我们这里把需求分解成三大块， 第一个，历史数据完全可以结实的去使，比如季节性的变动，只要我们分析历史数据，就能很好的预知。 第二个，一些管理行为所导致的这种变动，比如说我们这些大促的活动啊，新品导入，老品下市，那这时候就不能单纯的 去靠历史的数据用算法，而是结合实际的业务，让相应的职能部门去做一个叛徒。 第三个是当历史数据和不同智能部门的判断都没办法解释的随机波动，那我们就要通过设置安全库存和供应链的执行来应对。 那回到我们这个视频的主题啊，我们来聊聊预测算法，这时我们先说移动平均法， 注意他的这个方法是可以用来做预测的，但是往往预测的是没有趋势，没有季节性的需求。后面我们再聊更复杂的 模型算法，大家可以先关注。那移动平均法呢，是最简单也是最常用的方法之一，分为简单的和加权的移动平均。如果还不知道的小伙伴可以看看我这个视频。 我们在实际应用中啊，往往最需要做的也是应用的难点吧，就是我们测算这里的时间窗口 n， n 怎么算？哦，这里不再复述公式了啊，但是我们下面讲的是实际应用中最为重要的。 一，不是所有的产品都用相同的时间窗口 n 的， 哪怕是同一个产品，如果旺季和淡季的哎，模型它的 n 的 选择也可能不同，比如我这个同学，他所有的 sku 都选择同样的 n 做移动平均， 那么建议是在数据处理好后呀，要选择合适的 n， 并定期的做优化，不要去固守不变的这个 n。 第二呢，发现啊， n 越大，它的模型的预测效果会越平滑，就平滑的效果会越好。 那么这里就是说这个平滑的效果和移动窗口的大小有关。从这个图中我们看出啊，这种数据进行了预测 n 选择六为最合适的， 因为误差最小嘛，那预测的准确度啊也最高，但是我这里讲的是波动性，波动性我们往往用离散系数， 他的计算是标准差，除以平均值，波动性越小，表示波动越少，越平稳，那么很容易就能看出 n 越大，他的曲线就会越平滑。 第三个，我们不能用预测值再来预测未来。这个对于很多初学者或者是啊不是很熟悉算法，然后就在实际的预测中去用的人，更容易犯的错误就是用预测值来预测未来的需求。假定 n 等于二，进行移动平均预测， 即用本周值和下周的预测值来预测下下周的需求。那用这种算法，大家想，如果我的期数预测往后预测的更远呢， 就都等于下期的预测值，你这样算下去，你预测最后的肯定是成一条曲线了，一条水平直线了， 所以移动平均法是基于已经发生了的需求力值，他是适用于短期的预测要求，需求是没有明显的趋势性和季节性，注意啊，这里并不是说没有，他就是一成不变的，他还是会哎波动的。 第四个，移动平均的他的局限移动平均法有个缺点就是之后， 尤其是当需求有趋势季节的时候，你用它就会很着，这也就是为什么说移动平均不适合出现上面这种情况。让我们看这个例子啊，这个需求是呈现下降趋势的，那移动平均呢，就会 大家看预测值呈现明显的之后，结果呢？需求下降的时候，我们用移动平均法会系统的去高估， 那相反，当需求是增长的时候呢？那移动平均呢？他就会得出的结果呢？会系统的来低谷。那到这里大家知道了啊，移动平均这个方法不是说你想做需求预测就适用所有的情况的，如果在数据上出现趋势和季节性怎么办？ 那么我们下期视频接着给大家放，分享更多的常用的在实践工作中的方法。如果大家喜欢大苗这类视频，请大家支持一下大苗吧，谢谢大家。

大家好，我是大苗，前段时间啊，接到一个咨询同学的一个私信啊，他来问我这样一个问题，就是他现在做的呢，是一个产品配件的需求预测，这个产品配件呢，他是产品的某一个零件，比如说 啊，他们的产品是桌子，他可是桌子的一个木板，因为设计的 sku 很多，而且呢不同产品 sku 呢，还会涉及通用的配件和不通用的配件， 他觉得很难去做这个预测，不知道用什么样的方法，如果预测不好的话，比如说配件预测的比较多，那就需要放更多的库存啊，这是压资金的，那如果配件预测少了，那你生产马上就要用到，就会发现，哎，停产了，那造成的损失呢，也是很大的。 他想问一下大苗用什么样的这个预测方法比较好？在配品配件领域呢，其实是存在需求不稳定的这一个特点，会造成一些传统的预测方法，比如说移动平均啊，这些他就不适用了。 了解到有一些备货的软件，其中预测模块呢，其实主要用的方法呢，就是指数平滑，那下面我们来说一下为什么指数平滑法适合于啊？ 首先我们来回顾一下简单指数平滑的公式，那么在这里面啊， f 代表的是预测值， x 呢，代表的是实际值， f t 代表的是 dt 七的 实际值， f t 加一呢，就是 d t 加一期的预测值，所以在这个公式里面啊，我们一般把 h t 加一表示下一期的预测值。这个里面呢， alpha 呢，它是平滑系数啊，那我们先不去管平滑系数，那平滑系数的一个特点呢，它是在零和一之间， 所以我们这里面可以简单的理解为它是上期的实际值和预测值的一个加权平均。从这个公式中，我们会发越大的时候呢，我们上期的权重呢就会越大，那模型的一个结果是不是跟我们上期的 变化就是值就会比较接近了，那 fft 加 e， 它的值呢，就越接近于上一期的一个实际值，也就是模型呢越能尽快反应最新的变化，那相应的 算法越小，这个值如果越小，那它会受到历史多期数据的影响，那模型往往就表现的越平稳啊，这就是指数平滑法的一个特点，它妙就妙在这个算法上啊，我们再来进一步来看啊，我们把这个公式给展开一下，下一期的预测值，它是上一期的实际值和 上一期的预测值的一个加权平均，那么再上一期的预测值，它等于上上期的实际值和上上期的预测值的一个加权平均，所以说我们以此类推，就把它整个的带进来，你会看到什么呢？就会发现呢，我们的这个 f t 加一，也就是我们的这个预测值是按照一减二法等比基数综合到一起的， 那么当我们把它更简洁的写成这种形式啊，就是把这些累加，从这里看，能看出来 t 越大，这个是不是越会接近于零，那么这个值接近零，你就会发现我们的预测值其实是 一个加权平均。同时呢，我们再来进一步看我们的平滑系数，阿法他的取值大和小对模型的影响，从这个图里面啊，我们这个阿法分别取零点二 这条直线，阿发是零点五这条直线平滑系数，阿发零点八是这条直线。从这个图中我们能看出，平滑系数阿发呢越大， 需求历史权重呢，就会衰竭的越快，这个阿发是零点八的，那么他衰减的就会越越快，那就意味着他的预测值其实受到最新几期的 影响是较大的，也就是说最新的需求历史的权重越大，那么我们用到历史值呢，也就会越短，那模型呢，就会受到近期的数值的影响，也就模型越灵敏。 相反呢，如果阿发他越小，那他衰减的就会慢一点，那么用到历史的数据呢，就会越长，所以我们的需求历史呢，也相对越平滑。前面呢，我们说到了阿发的妙处，也就是我们指数平滑的优点，我们再来说说指数平滑法的难点， 这里面呢主要是有两个，一个呢是我们初试预测值到底给定多少，第二个就是我们阿法到底选择多少是合适的。 我们来说说初试值的确定，最常用的也无非就是用第一期的预测值等于第一期的实际值，要么呢就是用假简单的平均或者加权平均去推导一个预测值。根据我们的一个实践，下面直接给大家结论了，就建议这里面用六期的平均值呢，作为我们的初试的预测值。 当然我们如果是自己有业务的经验和历史的数据已经得到合适了，那大家用符合自己业务情况的数值，那如果没有同学啊，不妨啊，从六期来试一下。下面我们再来说这个平滑系数怎么选。 通过给大家展示的这个图，我们能够意识到，平滑系数的取值呢，它是取决于需求的稳定性的，如果需求越稳定，往往这个阿尔法就会越小，相对越平滑。反之呢，我们需求越不稳定，它的权重呢啊，平滑系数越大啊，也就是它变动就越快了，它就是越灵敏。 那么我们在实际应用中的做法呢，也是要结合利是数据呢去做测试，就拿出一部分数据 作为测试局，选择不同的平滑系数去测，然后呢，再用验证级呢，找到对方误差最小的所对应的算法。这个我们之前的课上呢，也是给大家做了演示，这里面不再重复啊，这里大苗还需要反复强调几句，这个在 我自己的学员还是说过来咨询的啊，同学身上都会发现的一个特点就是我们往往给到一个算法就不敢变了， 我们说所有的产品你只侧转一次就有的 alpha 就 不变了，这个是很有问题的，有些产品需求变动会很大，有些需求变动很小，所以不同的产品你要给到不同的平滑系数，哪怕是以同一个产品，你在不同的时期，不同的枯萎，他的 alpha 呢，也不会是完全相同的。 所以大家一定要结合业务去多尝试，去多做测试。那么还有一个问题呢，就是我们在实际的应用层面化，比如说我们用 excel 号啊，或者有 passion， 或者你自己啊喜欢用的这种工具都可以。但是往往会出现一个情况，就是我们决策下来的 alpha 呢，会比较大， 往往会出现于接近于一，那我们知道如果他接近一，就是完全用的是上一期的实际指到我们下一期的预测值，这个时候就需要我们非常谨慎了，是不是这个指数平滑法不太合适了？ 为什么这么说啊？也是给到大家一个图，你看啊，当我们的这个 alpha 等于零点八的时候，就这条黄线，那么我们看看真正取作用呢，其实就是 前两期的一个是第一期百分之八十和百分之十六，那当平滑系数等于零点五这条直线，那么比较受影响的就是第一期的百分之五十、百分之二十五和百分之十三，也就只用到了前两期和前三期的历史数据。其实这个时候呢，往往你要去 看一下这样的模型是否是可靠的，除非你真实的需求他就是波动很大，只受到前两三期的影响，否则呢，出现这样的一个情况，你就要注意了。嗯，在实际中啊，比如说有些企业的营收啊，比如说有一家企业他每年都在翻番，所以 如果这个时候数据分析师认为他的业务的波动很大，然后阿尔法呢就取值比较高，比如说取零点六到零点八，但是呢我们只继续去分析这个数据呢，发现他这个变动啊，其实是来自于一个新的产品 核心的市场，原先的这些产品其实他没有太大的额度，所以这时候你取这么大的阿法值呢，也是不合适的。那么具体是多少是合适的呢？我们这里面也是找了一些文献啊和一些经验，给到大家的一个结论，大家可以在实际中拿来用啊， 就是当我们的需求历史比较稳定时，选择较小的 alpha， 那 么取值是在零点零五到零点二之间，那么当这个历史波动比较大时呢，可以选择稍大的 alpha 取值呢在零点一到零点四之间。当然有些教科书呢，建议 alpha 取值是零点一到零点三，那有的是零点零五和零点五， 但是呢，如果我们侧算下来，我平滑系数超过零点五的这个值，那么我们用的时候就要去慎重了，你要考虑以下几点啊，就是你是否处理的时候极端值没有清洗干净。 还有我们说简单指数平滑法，它有适用的条件，你看一下它是否适用你这个数据，然后呢，再一个就是看你在整个计算过程是否有些计算的错误，要检查一下。 在平滑系数折优上面，还有一个问题，就是我们在测试的时候呢，选择多少的数据点啊？那么一些著作上会选择这个数据是十二，我们从数理统计的角度，肯定是希望数据越多，它肯定是相应准确度，它会越高， 比如说要求在三十个数据样本量以上，但是呢，像一些快时尚的产品，它的生命周期很短，就几个月，如果我们用周来测算的话，呃，其实也没有特别多的数据。一般的建议呢是给到十三，前面的课程也说了，就这个十三，它往往以周为单位的测算的话，那实战呢，是一个季度的数据， 就是能覆盖一个完整的季度。好了，说了指数平滑的优点难点，我们再来说说它的缺点。第一个我们要注意简单指数平发滑和我们前面提到的移动平均，它都是适用于短期的预测， 并且呢尽量呢是需求相对比较平稳的，如果不符合这两个条件，它往往会出现一个滞后或者是超前，尤其当我们数据出现一些趋势啊，季节性，那它预测往往就会出现滞后和超前的情况。 那么在数据侧算的一个表现呢，就是说我们会得到一个结果，就是平滑系数很大，就等于就前面说的情况，那你就要去看一下是否适合了，这里就是说呃，我们说的这个模型是否适合的情况。 最后啊，我再总结一下这个方法的整个的一个使用的过程。首先呢，我们先去做图，就是做一个什么样的图呢？就是以时间为横轴，需求历史 数量呢为重轴，来做一个折线图，要看我们的图形，它没有明显的季节性和趋势性。第二个呢，看看有没有我们的历史经验值，如果没有，我们就根据前面给到了大家这个经验值啊，确定一个大致的范围。 最后呢，用我们的测试纸和验证机来测试不同的 alpha， 一 般呢，我们的 alpha 从零点零五或者零点一开始，然后每次测试呢增加零点零五，看最后哪个 测试的准确度高，那它所对应的 alpha 指就是我们的最优的平滑系数啊，我们在实际中按照这个步骤，注意啊，一定不要一窝端啊，你要分产品，并且不同时期不同场景的数据呢，你要多去测算，今天就给大家分享了指数平滑，那它也是有相应的适应条件的，那如果大家想了解更多的 适用于更复杂的业务场景的不同的预测模型和方法呢？那请大家关注大苗，同时大家注意我虽然以供应链的需求预测在这里为例子，再给大家讲不同的预测方法，其实我们在实际工作中有很多，大家不妨都可以把这些方法来放进来，来尝试啊，来应用。 那么如果大家想听更多的方法呢？那欢迎大家来关注大苗，如果大家呢喜欢大苗的这类分享，也请大家多多鼓励支持大苗一下，谢谢大家！