DNGM(1,1)离散灰色模型：小样本预测的Python实战与GM(1,1)对比

做数据分析的人，大概率都撞上过同一个尴尬：想预测下个月或者下一周期的数值，手里却只有五六个、七八个历史样本。经典统计模型要求大样本，深度学习更是无底洞式地吃数据，这俩在“贫数据”面前基本束手无策。灰色预测就是专门应对这种场景的，而灰色预测里最出名的当属 GM(1,1) 模型。但我在实际项目里用 GM(1,1) 时，总被一个问题反复折磨——它用微分方程建模，拿离散数据预测，中间那一层转换常常引入系统性偏差。后来接触到 DNGM(1,1) 离散灰色模型，算是找到了一个更贴合数据本性的版本。这篇文章我会从原理到实战拆开来讲，内容包括 GM(1,1) 到底踩了哪些坑、DNGM(1,1) 如何绕开这些坑、Python 从零实现全过程，以及我在真实数据集上跑出来的精度指标和踩坑记录。适合刚开始上手预测建模的新手，也适合想把现有小样本预测工具升级一轮的数据从业者。

1. 灰色预测到底解决什么问题，GM(1,1) 又差在哪儿

1.1 灰色系统的建模思路

灰色系统理论的核心观点并不复杂：现实世界里的数据，多半既不是完全已知的“白色”，也不是一无所知的“黑色”，而是部分已知、部分未知的“灰色”。比如你手里只有某产品过去六期的销量，这些历史数字是已知的；但销量为什么涨、受了哪些因素干扰，你是不知道的。灰色模型不打算把因果关系查个水落石出，而是直接在序列自身的演化规律上做文章。

灰色预测最有名的操作叫累加生成，写作 1-AGO。原始序列 x(0) 可能忽高忽低、看着毫无规律，但做一次累加之后，累积序列 x(1) 通常会变成一条光滑的上升曲线。比如原始销量 [10.2, 11.8, 13.5, 16.1, 19.6, 24.3]，累加后变成 [10.2, 22.0, 35.5, 51.6, 71.2, 95.5]，几乎就是一条单调增长的平滑轨迹。把不规则的原始数据“抹平”成规则序列，用指数或递推结构去拟合，最后再累减还原到原始口径，这就是整个灰色预测的逻辑闭环。

这套思路最大的价值在于：不依赖大样本，不依赖分布假设，四个以上数据点就能启动建模。在一些实际业务场景里，比如新品上线后的爬坡期销量、供应链里某个新零配件的需求预测，历史数据往往少得可怜，灰色模型往往是少数还能给出合理外推结果的方法。

在展开 DNGM 之前，有必要把经典 GM(1,1) 的建模流程彻底说清楚。因为很多人对 GM(1,1) 只是“会用公式”，并没有真正理解它的缺陷。理解缺陷，才是理解 DNGM 改良意义的前提。

1.2 GM(1,1) 的经典五步

假设原始序列是 x(0) = {x(0)(1), x(0)(2), ..., x(0)(n)}，GM(1,1) 的标准建模流程可以分成五步。

第一步，一次累加生成。x(1)(k) = Σ x(0)(i)，其中 i 从 1 到 k。这一步是把原始序列转化成累积序列。

第二步，构造紧邻均值序列。z(1)(k) = 0.5 × [x(1)(k) + x(1)(k-1)]，k = 2, 3, ..., n。这等于用相邻两个累加点之间的平均值，去近似这段时间里累加序列的积分值，本质上是一种数值积分。

第三步，建立灰微分方程。GM(1,1) 的核心方程是 x(0)(k) + a × z(1)(k) = b。这里的 a 叫做发展系数，b 叫做灰作用量。“GM(1,1)”这个名字的含义就是：一阶方程、一个变量。

第四步，参数估计。把方程写成矩阵形式 Y = B × [a, b]^T，其中 Y 由 x(0)(2) 到 x(0)(n) 组成，B 的第一列是 -z(1)(k)，第二列全为 1。然后最小二乘求解 [a, b]^T = (B^T B)^{-1} B^T Y。

第五步，求解白化方程并还原。把离散灰微分方程对应到连续微分方程 dx(1)/dt + a × x(1) = b，解出时间响应函数 x̂(1)(t) = (x(0)(1) - b/a) × e^{-a(t-1)} + b/a。再把 t = 2, 3, ... 代进去得到 x̂(1)(k)，最后累减还原 x̂(0)(k) = x̂(1)(k) - x̂(1)(k-1)。

这一套流程看起来环环相扣，问题恰恰就藏在“环环相扣”的缝隙里。

1.3 传统模型的三个硬伤

第一个硬伤是建模空间和预测空间不一致。GM(1,1) 的参数是通过 z(1)(k) 与 x(0)(k) 之间的回归关系拟合出来的，换句话说，参数是在“差分/均值空间”里估计的；但实际预测时，用的却是“累加序列空间”里连续微分方程的解。拟合用的是 B 和 Y，预测用的却是另一个方程，这两个空间之间不存在严格等价关系，误差会在累加-还原的交叉转换中被放大或畸变。

第二个硬伤是连续化过程的跳跃误差。白化方程 dx(1)/dt + a × x(1) = b 描述的是连续系统，可我们手里的数据是离散的。从连续指数解再离散回 t = 2, 3, ... 去取值，等于默认了数据在时间轴上均匀连续地变化，把一个本质离散的过程硬塞进了连续模型。这样解出来的 x̂(1)(k) 并不严格满足原始灰微分方程，这个系统性偏差在学术讨论里常被称作跳跃误差。

第三个硬伤更加隐蔽：紧邻均值序列 z(1)(k) 代替 x(1)(k) 会带来半个周期的滞后。z(1)(k) 是 x(1)(k) 和 x(1)(k-1) 的平均，它天然比 x(1)(k) 落后半拍。当序列不是严格的等比指数增长，而是带有加速或波动时，这种滞后会导致发展系数 a 的估计偏离真值，进而扭曲整个外推趋势。

这三个问题叠加在一起，表现就是：GM(1,1) 在数据比较规整的时候挺好用，一旦数据稍微带点加速、波动或阶段转换，预测结果就出现系统性偏移。很多人在实际项目里抱怨 GM(1,1)“有时准得惊人，有时偏得离谱”，根子就在这三个硬伤上。

2. DNGM(1,1)：直接把“微分”换成“差分”

2.1 核心思想的转变

DNGM(1,1) 全称离散灰色模型，对应英文通常写作 Discrete Grey Model (1,1)。它的思路非常直接：既然最终要处理的是离散序列，为什么还要先连续化、再离散化，绕这么一个大圈子？直接在离散域里建立递推关系不行吗？

于是 DNGM(1,1) 把 GM(1,1) 的白化微分方程，替换成了离散差分方程：

x(1)(k+1) = β1 × x(1)(k) + β2

这个替换是有内在逻辑的。微分方程刻画的是变化率和变量本身之间关系；离散序列的“变化率”体现在相邻两个累加值之差上，也就是 x(1)(k+1) - x(1)(k)。灰色预测的基本假设是这个差值和 x(1)(k) 大致成比例，那不就等价于 x(1)(k+1) 约等于 x(1)(k) 的缩放加一个平移项吗？这就是 β1、β2 构成的线性递推结构。和 GM(1,1) 要通过 z(1)(k) 算一块梯形面积再拟合相比，DNGM 直接对累加序列相邻两项做回归，少了一层加工。

这个替换看起来简单，意义却很深远。离散差分方程天生就是给离散数据设计的，它的数学结构和数据本身的生成方式一致。你从数据里学到什么参数，预测时就怎么使用，不再有建模空间和预测空间错位的问题。

2.2 参数估计的数学推导

DNGM(1,1) 的参数估计同样走最小二乘路线。假设有 n 个原始数据点，累加序列 x(1)(1), x(1)(2), ..., x(1)(n)，递推式对 k = 1, 2, ..., n-1 都成立，所以能列出 n-1 个方程：

x(1)(2) = β1 × x(1)(1) + β2 x(1)(3) = β1 × x(1)(2) + β2 ... x(1)(n) = β1 × x(1)(n-1) + β2

写成矩阵形式就是 Y = Bθ，其中：

Y = [x(1)(2), x(1)(3), ..., x(1)(n)]^T B 的第 k 行是 [x(1)(k), 1] θ = [β1, β2]^T

最小二乘解为 θ̂ = (B^T B)^{-1} B^T Y。

这个形式和 GM(1,1) 非常像，但关键差别在于：GM 的 B 矩阵里是紧邻均值 z(1)(k)，DNGM 的 B 矩阵里是累加真值 x(1)(k)；GM 的 Y 向量是原始值 x(0)(k+1)，DNGM 的 Y 向量是累加值 x(1)(k+1)。换句话讲，DNGM 是对“累加序列自身”建模，GM 是对“累加序列的差分加均值”建模。这一点差别，在数学结构上决定了 DNGM 的建模空间和预测空间是同一个空间。

读者可能会问：β1 和 GM 里的 a 是什么关系？可以证明，在数据严格满足等比增长的特殊情况下，β1 与 e^{-a} 之间存在对应关系。但 DNGM 直接估计的是离散域的“增长因子”β1，它不再要求数据必须等价于某个连续指数过程的采样，对非严格指数形态的数据自然更友好。

2.3 与传统 GM(1,1) 的关键差异

把两个模型放在一起，差异非常清晰。

除了消除跳跃误差，DNGM(1,1) 还有一个容易被忽略的优点：对初值的敏感度可控。GM(1,1) 的时间响应函数强制把 x(0)(1) 当作初始条件，第一个点直接锁死了整条预测曲线。而 DNGM 的递推关系在最小二乘框架下确定参数，递推初值可以依据整体拟合误差来调节，单个特殊点不会过度绑架整条预测曲线。实际数据里首个样本往往受偶然因素影响较大，比如首周促销、首月口径调整，这个特性在业务场景里很实用。

当然 DNGM 也不是万能。它继承了灰色预测的共同前提：原始序列经过一次累加后，要能用线性递推关系描述。如果数据有明显周期性、突变或趋势反转，单靠一阶离散递推也扛不住，需要转向残差修正模型或更高阶的离散灰色模型扩展。这一点放到第四部分实战里展开。

3. 从零手写 DNGM(1,1)：一个可复现的 Python 案例

3.1 数据准备

我挑一个典型场景来说明：某电商平台一个新品 SKU 上线后前六周的周销量。新品数据的特点就是样本少、增速快、没有历史可比性，常规统计方法基本没法处理，灰色模型正好对口。为了方便复现，我用虚构数据，单位是百件。

周次：1 到 6 销量 x(0) = [10.2, 11.8, 13.5, 16.1, 19.6, 24.3]

这组数据的增速从第 3 周开始明显加快，并不是一条理想的指数曲线，用来展示两类模型的差异恰好合适。建模前先做一个简单检查：数据全部为正，符合累加条件；相邻周销量没有剧烈跳变，序列结构没有严重异质。

3.2 核心代码实现

用 Python 实现，只需要依赖 numpy。DNGM(1,1) 的完整函数如下。

import numpy as np def dngm11(x0, steps=2): x0 = np.array(x0, dtype=float) n = len(x0) # 1. 一次累加生成 x1 = np.cumsum(x0) # 2. 构造离散递推方程的 B 矩阵和 Y 向量 # 方程形式：x1(k+1) = beta1 * x1(k) + beta2 B = np.column_stack([x1[:-1], np.ones(n - 1)]) Y = x1[1:] # 3. 最小二乘求解 beta1, beta2 beta, _, _, _ = np.linalg.lstsq(B, Y, rcond=None) beta1, beta2 = beta # 4. 从第 n 项开始外推指定步数 x1_hat = list(x1) for _ in range(steps): x1_hat.append(beta1 * x1_hat[-1] + beta2) # 5. 累减还原得到原始口径的拟合值与预测值 x0_hat = np.diff(x1_hat) x0_hat = np.concatenate([[x0[0]], x0_hat]) return beta1, beta2, x0_hat[:n], x0_hat[n:]

这里有个细节值得注意：我用了 np.linalg.lstsq 而不是手写 (B^T B)^{-1} B^T Y。当 B^T B 接近奇异时，手写逆矩阵会产生非常大的数值误差，而 lstsq 内部走 SVD 分解，稳定性好得多。在样本量只有五六个方程的场景下，这一点尤其重要，千万别在这种小地方省事。

跑一下这份数据。

x0 = [10.2, 11.8, 13.5, 16.1, 19.6, 24.3] beta1, beta2, fitted, forecast = dngm11(x0, steps=2) print("beta1 =", round(beta1, 4)) print("beta2 =", round(beta2, 4)) print("拟合值 =", np.round(fitted, 3)) print("外推值 =", np.round(forecast, 3))

我在同一份数据上跑出来的结果是 β1 ≈ 1.2068，β2 ≈ 9.18。拟合序列与真实值的对照，我会在后面的汇总表格里一并列出。

3.3 GM(1,1) 对照实现

为了做对比，我顺手把 GM(1,1) 的实现也写上。网上 GM(1,1) 的实现细节五花八门，我下面这个版本是教材里最通用的标准形式。

def gm11(x0, steps=2): x0 = np.array(x0, dtype=float) n = len(x0) # 1. 一次累加生成 x1 = np.cumsum(x0) # 2. 紧邻均值生成 z1 = 0.5 * (x1[1:] + x1[:-1]) # 3. 构造矩阵并最小二乘求解 B = np.column_stack([-z1, np.ones(n - 1)]) Y = x0[1:] a, b = np.linalg.lstsq(B, Y, rcond=None)[0] # 4. 时间响应函数 c = x0[0] - b / a x1_hat_all = np.zeros(n + steps) for t in range(1, n + steps + 1): x1_hat_all[t - 1] = c * np.exp(-a * (t - 1)) + b / a # 5. 累减还原 x0_hat = np.diff(x1_hat_all) x0_hat = np.concatenate([[x0[0]], x0_hat]) return a, b, x0_hat[:n], x0_hat[n:]

GM(1,1) 代码里有个常见坑：时间响应函数的 t 必须从 1 开始取，才能保证 x̂(1)(1) 等于 x(0)(1)。有的实现让 t 从 0 开始，虽然也能跑出结果，但会造成第一个点的残差被无谓放大，后面算后验差检验时 C 值和 p 值都会受影响。这个细节非常影响评估结论，我建议一律使用 t 从 1 开始的标准写法。

3.4 精度检验：拟合好不等于能打

预测模型不能只盯着拟合精度，还要看外推稳定性。我一般会同时做三件事情：相对误差 MAPE、级比偏差和后验差检验。这里我把评估函数统一封装。

def evaluate(x0, fitted): x0 = np.array(x0, dtype=float) fitted = np.array(fitted, dtype=float) n = len(x0) # 1. 相对误差 MAPE，常规做法忽略第一个点 rel_err = np.abs(fitted - x0) / x0 mape = np.mean(rel_err[1:]) # 2. 级比偏差：比较原始序列级比与预测序列级比的差异 raw_ratio = x0[1:] / x0[:-1] fitted_ratio = fitted[1:] / fitted[:-1] lambda_diff = np.abs(1 - raw_ratio / fitted_ratio) lambda_max = np.max(lambda_diff) # 3. 后验差检验：C 值和 p 值 e = fitted - x0 e_bar = np.mean(e[1:]) s1 = np.std(x0, ddof=1) s2 = np.std(e[1:], ddof=1) C = s2 / s1 p = np.mean(np.abs(e[1:] - e_bar) < 0.6745 * s1) return {"MAPE": mape, "lambda_max": lambda_max, "C": C, "p": p}

这个评估函数里有两个容易出问题的地方，我特意说明一下。首先是 MAPE 的均值范围，业界对是否包含第一个点没有统一标准，但实操中必须保持口径一致，否则不同算法的对比没有意义，所以我习惯在代码里明确排除第一个点。其次是级比偏差，它考察的是模型还原序列与原始序列在“相邻增长比例”上是否一致，这个指标对外推趋势的可靠性判断，比单纯看绝对误差更有参考价值。

在我这份数据上，两个模型的结果如下。

两个模型都通过了优级检验。DNGM 在拟合精度和后验差 C 值上略占上风。更让我看重的是 0.041 对 0.063 的级比偏差差距：DNGM 在还原序列内部增长规律时更贴近实际，这就是建模空间和预测空间一致带来的直接收益。

4. 实战中的常见问题与避坑指南

4.1 数据进模型前的三个检查

DNGM 对数据的要求不算苛刻，但也绝不是拿什么数据都能跑。我给自己定了一个三连检查，每次都执行。

第一，数据必须非负。累加生成对负数没有稳定意义。如果原始序列里有负值，比如负利润、负库存变化，必须先做平移变换，把所有数据平移到正数区间。

第二，样本量控制在 4 到 12 个点最合适。少于 4 个点，最小二乘只有三个方程，参数方差会大得离谱；多于 12 个点，灰色模型的优势就逐渐让位给传统时间序列方法，因为样本足够时，ARIMA、指数平滑这类统计方法的效率更高了。

第三，做一次级比检验。灰色建模假设原始序列相邻项的级比 λ(k) = x(0)(k) / x(0)(k-1) 落在可行区间内。如果级比序列的变异系数太大，说明原始数据里混入了异质性过强的样本，比如促销爆发周、重大缺货周。这类点应该剔除或单独处理，不要硬塞进模型。

提示：这三级检查每一级都不复杂，但在项目里面全部踩过的人一定不少。我碰过最典型的一次，是把促销周数据直接丢进模型，外推结果莫名其妙高了两倍多。后来做级比检查才发现，促销周的级比是前后周的两倍，把整条序列的规律彻底带偏了。

4.2 外推期数：能预测多少步，心里要有数

灰色模型被吐槽最多的地方就是外推过度。一个带加速度的序列，β1 大于 1 时，预测值会在若干步之后膨胀成天文数字；β1 小于 1 时又会快速收敛到某个平台。所以 DNGM 的外推结果只在短期内具备参考价值。

我的经验是：外推期数不超过建模样本数的二分之一，最多 3 到 5 期。六个数据点预测两到三期是可以接受的，预测到第十期基本就是自欺欺人。向业务方汇报的时候，也要明确标注“这是趋势推演，不是精确值”，让决策者理解预测置信区间会随着期数增加快速放大。

再来看 β1 的取值判断。β1 在 1.0 到 1.3 之间通常可信；如果 β1 大于 1.5，说明序列增长加速度极快，灰色模型对这种爆炸式增长的外推能力基本失效，建议先做对数变换或者分阶段建模。如果 β1 落在 0.7 以下甚至接近 0，模型本身很可能已经拟合失败，这时候先回头审视数据质量，而不是急着调参数。

4.3 初值选择与模型扩展方向

DNGM(1,1) 的标准递推式以 x(1)(1) 作为初值，这在小样本场景下有时并不合理。实际项目中第一个样本经常“不干净”，比如新品首周销量往往包含了早期尝鲜流量。我在项目里的习惯做法是：把递推初值 m 从 1 到 n-1 全部试一遍，挑后验差 C 值最小的那组参数作为最终模型。这样可以让早期异常点对预测曲线的影响降到最低，实测下来稳定性提升非常明显。

如果数据带明显的加速趋势，一阶 DNGM 可能不够用。可以考虑二阶离散灰色模型，递推式扩展成：

x(1)(k+1) = β1 × x(1)(k) + β2 × x(1)(k-1) + β3

二阶形式等于在模型里引入了一个“惯性项”，能够捕捉序列自身的加速度变化。但要注意，n 小于 8 的时候不建议使用二阶，样本太少会让三个参数的最小二乘解极度不稳定。在学术文献里，这类高阶扩展的命名并不统一，实操时把它当作离散灰色模型的扩展族理解就好，按需求取用。

4.4 模型失效的识别信号

最后聊一聊什么时候该果断放弃 DNGM。我判断一个灰色模型是否失效，通常盯住三个信号。

第一个信号是拟合阶段残差是否连续同号。如果连续四个点的预测值都偏高，说明模型对该数据的趋势方向判断存在系统偏差，不只是随机误差的问题。

第二个信号是级比偏差是否超过 0.1。级比偏差超过 0.1，意味着模型描述的相邻增长比例和真实数据已经发生明显偏离，外推结果的可信度要大幅下调。

第三个信号是外推两步后的结果是否明显违背业务常识。这个信号最实用。我曾经在某次需求预测里，DNGM 外推的销量增速方向是对的，但幅度明显超出仓储备货上限，后来排查发现数据里混入了促销周，剔除后重跑模型才恢复正常。数据清洗和模型诊断永远是预测项目里优先级最高的两件事，模型本身只是最后的一百米接力。

我个人做灰色预测的经验是：DNGM(1,1) 和 GM(1,1) 的关系，有点像同一棵树上的两个果子，结构看着相似，实际味道完全不同。现在遇到小样本预测任务，我默认把 DNGM 当主力，GM(1,1) 保留做交叉验证。两者结果相差不大，说明数据很规整；两者预测趋势出现明显分歧，我大概率会先去查数据质量，而不是急着调参数。

最后再分享一个测量小技巧：把 DNGM 的两个参数可视化。以 x(1)(k) 为横轴、x(1)(k+1) 为纵轴画散点图，如果点基本落在一根直线上，说明这组数据非常适合 DNGM 建模，预测自信心可以给得高一点；如果点分布很散，说明一阶离散递推扛不住这个数据的复杂度，早点换方法，别硬扛。这个散点检查花不了十秒钟，却能在建模之前帮你看清模型的底牌，我一直保持着这个习惯。