经济管理学院
管理建模与仿真
（大作业）
论文题目：利用灰预测方法预测某旅游
景点未来10年游客人数变化
学号：S3*******1
姓名：刘文权
任课教师：姜金贵 教授
利用灰预测方法预测某旅游景点未来10年游客人数变化
一、灰预测模型介绍
灰预测是通过原始数据的处理和灰模型的建立，发现、掌握系统的发展规律，对系统的未来状态做出科学的定量预测。灰预测模型能够根据现有的少量信息进行计算和推测。
最常用的灰预测模型是GM(1,1)模型。G表示Gray（灰），M表示Model（模型），GM（1，1）表示1阶的、1个变量的灰模型。
设原始时间序列：
集成灶什么品牌最好
预测第n+1期，第n+2期，…的值：
设相应的预测模型模拟序列为：
设为的1-AGO（即一次累加）序列：
即：
利用计算GM(1,1)模型参数、。令
则有：
式中：
由此获得GM(1,1)模型如下：
如果模型满足精度要求，可用于预测，获得预测值如下：
，，…， ，…
对所建立的模型要进行残差检验和后验差检验，模型检验合格后方能用于预测。
（1）残差检验
残差序列：
=
相对误差序列为：
以残差的大小来判断模型的好坏，残差大，说明模型精度低，反之，说明精度高。对于,称为点模拟相对误差，称为平均相对误差。给定，当且成立时，称模型为残差合格模型。精度等级参照表3.1。
表 1精度检验等级参照表
精度等级 | 相对误差指标临界值 |
一级 | 0.01 |
二级 | 0.05 |
三级 | 0.10 |
四级 | 0.20 |
（2弃暗投明什么意思）后验差检验
后验差检验是按照精度检验(后验差)和（小误差概率）两个指标进行检验。
珍重主人心记原始数列及残差数列的方差分别是S12和S22,即
S12=
S22=
其中：
然后用下式计算后验差比值及小概率误差：
=S2/S1，美国国会众议院 =P{0.6745S1＞}
根据表 2来判定模型的精度。
表 2 灰预测模型精度表
精度等级 | 值 | 值 |
好 | 0.95≤ | ≤0.35 |
合格 | 0.80≤＜0.95 | 0.35＜≤0.50 |
勉强合格 | 0.70≤＜0.80 | 0.50＜≤0.65 |
不合格 | ＜0.70 | 0.65＜ |
如果模型满足后验差检验要求，即认为模型合格。
二、实例。
近年来，黄金周期间各地旅游人数不断增加。已知某旅游景点2003-2013年五一期间旅游人数如下表所示。请利用灰预测方法预测该旅游景点未来10年旅游人数变化情况。
2003 | 62748（人） |
2004 | 69168（人） |
2005 | 4399小游戏电脑版页面74109（人） |
2006 | 88912（人） |
2007 | 112547（人） |
2008 | 138975（人） |
2009 | 152138（人） |
2010 | 174689（人） |
2011 | 190452（人） |
2012 | 228742（人） |
运用Matlab运行程序代码后还显示了预测数据与原始数据的比较图，如图所示。
3、结论 灰预测是通过原始数据的处理和灰模型的建立，发现、掌握系统的发展规律，
对系统的未来状态做出科学的定量预测。灰预测模型能够根据现有的少量信息进行计算和推测。本文建立了基于Matlab的灰预测估算模型，给出了旅游景点历年参观人数参数的情况下估算未来游览人数的方法。根据MATLAB上预测数据跟原始数据图可知：该旅游景点未来人数将不断增加，而且在2016年之后人数将大幅度增加，别且有望在2022年参观人数达到100万。
参考文献
[1]刘慧颖.MATLAB R2007基础教程.清华大学出版社.2008；
[2]卓金武.MATLAB在数学建模中的应用.北京航空航天大学出版社.2011；
[3]刘思峰、方志耕.系统建模与仿真.科学出版社.2012；
[4]李柏年、吴礼斌.Matlab数据分析方法.机械工业出版社.2012.
附录
具体的Matlab代码如下：
clear
syms a b;
c=[a b]';
A=[62748,69168,74109,88912,112547,138975,152138,174689,190452,228742];
B=cumsum(A);
n=length(A);
for i=1:(n-1)
C(i)=(B(i)+B(i+1))/2;
end可移动磁盘打不开
D=A;D(1)=[];
D=D';
E=[-C;ones(1,n-1)];
c=inv(E*E')*E*D;
c=c';
a=c(1);b=c(2);
F=[];F(1)=A(1);
for i=2:(n+10)
F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a;
end
G=[];G(1)=A(1);
for i=2:(n+10)
G(i)=F(i)-F(i-1);
end
t1=2003:2012;
t2=2003:2022;
G
plot(t1,A,'o',t2,G)
运行改程序，得到的预测数据如下：
G =
1.0e+005 *
Columns 1 through 11
0.6275 0.7097 0.8220 0.9521 1.1027 1.2771 1.4792 1.7132 1.9842 2.2981 2.6617
Columns 12 through 20
3.0828 3.5705 4.1353 4.7896 5.5473 6.4249 7.4413 8.6185 9.9820
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论