【文章內容簡介】 據(jù)的相對誤差基本上都小于1%，因此，進一步說明用灰色模型得到的結果可信。在研究具體床位需求時，我們選擇了對研究腫瘤問題回歸分析的檢測，及考慮年齡因素和經濟發(fā)展帶來的影響是的相關性分析，得到相對誤差為：bint = +003 * 分析知相關性很好；因而，模型在預測范圍內可靠，所得結果可信，很好符合了具體情況。論文總結本論文，我們對深圳市未來十年人口數(shù)量以及未來十年內深圳市床位需求和各區(qū)的床位需求做出了預測。在預測過程中使用了灰色系統(tǒng)理論，同時也根據(jù)預測對象的本生屬性建立了合理的函數(shù)模型對已知數(shù)據(jù)進行模擬，進而對未來作出預測。從新查閱的資料顯示，我們的預測還是有效的。在對已知數(shù)據(jù)的充分擬合的前提下，盡量挖掘預測對象的本身屬性，進而使預測函數(shù)包含預測對象的固有性質，這對預測的有效性是極為重要的。但是本文的預測模型，局限性較大，對其他預測問題無法直接應用，但本文的預測思想?yún)s是有借鑒意義的。 當然，論文中存在許多不足之處。一方面由于對人口增長規(guī)律和就醫(yī)需求的內在規(guī)律缺乏深入調查認識，我們未能完全從造成人口數(shù)量、結構的機理角度提出完整的數(shù)學模型，預測更多地依賴對已有數(shù)據(jù)的處理；另一方面，基于數(shù)據(jù)的預測方法較為單一，都是根據(jù)擬合原始數(shù)據(jù)得出預測結果。又因為實際中影響人口數(shù)量、結構以及醫(yī)療床位需求的因素復雜多變，因此我們的預測模型只能進行短期預測，具有較大的局限性，有待進一步改進，使之更為完善。 參考文獻【1】 成艷，聶銳，《灰色預測模型GM（1，1）在江蘇省能源消費量預測中的應用》（中國礦業(yè)大學管理學院，江蘇徐州221116） 【2】 《運籌學》教材編寫組，運籌學（修訂版），北京：清華大學出版社，1990?！?】 葉其孝主編，大學生數(shù)學建模競賽輔導教材（三），長沙：湖南教育出版社，1998?！?】 白其崢主編，數(shù)學建模案例分析，北京：海洋出版社，2000?！?】 深圳市醫(yī)療衛(wèi)生與計劃生育辦統(tǒng)計年鑒【附錄】Matlab程序clc,clearx0=[ ]。n=length(x0)。lamda=x0(1:n1)./x0(2:n)。range=minmax(lamda)。x1=cumsum(x0)。for i=2:nz(i)=*(x1(i)+x1(i1))。endB=[z(2:n)39。,ones(n1,1)]。Y=x0(2:n)39。u=B\Y。x=dsolve(39。Dx+a*x=b39。,39。x(0)=x039。,39。t39。)x=subs(x,{39。a39。,39。b39。,39。x039。},{u(1),u(2),x1(1)})yuce1=subs(x,39。t39。,[0:10])digits(11),y=vpa(x)。 %為提高預測精度，先計算預測值，再顯示微分方程的解yuce=[x0(1),diff(yuce1)]t1=0:10。t2=0:10。plot(t1,yuce,39。b39。,t2,x0,39。r*39。)epsilon=x0yuce %計算殘差delta=abs(epsilon./x0) %計算相對誤差%rho=1(*u(1))/(1+*u(1))*lamda %計算級比偏差值（1122年）clc,clearx0=[ ]。n=length(x0)。lamda=x0(1:n1)./x0(2:n)。range=minmax(lamda)。x1=cumsum(x0)。for i=2:nz(i)=*(x1(i)+x1(i1))。endB=[z(2:n)39。,ones(n1,1)]。Y=x0(2:n)39。u=B\Y。x=dsolve(39。Dx+a*x=b39。,39。x(0)=x039。,39。t39。)x=subs(x,{39。a39。,39。b39。,39。x039。},{u(1),u(2),x1(1)})yuce1=subs(x,39。t39。,[0:22])digits(11),y=vpa(x)。 %為提高預測精度，先計算預測值，再顯示微分方程的解yuce=[x0(1),diff(yuce1)]t1=0:22。t2=0:10。plot(t1,yuce,39。b39。,t2,x0,39。r*39。)：clc。clear。format longa=[ ]。b=[1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 ]。p=find(b1979)。%取79年以后%畫圖a=a(p)。 b=b(p)。hold on。grid on。plot(b,a,39。*r39。)p=find(b2020)。%取96年以后%畫圖a=a(p)。 b=b(p)。%模型擬合%先線性擬合得總體趨勢p=polyfit(b,a,1)fun=@ffor1 x0=[2 1 1996 2*]。%這個初值給的很重要，下面的二乘發(fā)可能是用迭代法在臨近點處調整得到最優(yōu)值[x,resnorm]=lsqcurvefit(fun,x0,b,a)bb=b(1)2::b(length(b))+15。aa=fun(x,bb)。%求出擬合后的平滑曲線上的點plot(bb,aa,39。k39。)。%畫出曲線圖%根據(jù)擬合與原始數(shù)據(jù)偏差，得出偏差值tc=fun(x,b)。%c為擬合個點的擬合值t=ca。%用多項式去擬合偏差，并修正擬合值，得到修正的值1p=polyfit(b,t,2)。tt=polyval(p,bb)。aa1=aatt%擬合值減去偏差值就得到偏差修正值%三次函數(shù)加周期周期函數(shù)的方法擬合偏差，并對擬合值進行修正得到修正值2p=polyfit(b,t,2)。%fun=inline(39。x(1)+x(2).*xdata+x(3)*(xdata).^2+sin( x(4)*xdata+x(5) ).*x(6).*(xdata)39。,39。x39。,39。xdata39。)。%x0=[p(3) p(2) p(1) 2*]。[x,resnorm]=lsqcurvefit(fun,x0,b,t)。tt=fun(x,bb)。%把偏差擬合后的光滑曲線上點求出來%aa2=aatt。%擬合值減去擬合得偏差值，就得到修正值%偏差計算p=find(bb==2010)%aa(p)aa1(p)%aa2(p)plot(bb,aa1,39。g39。)%plot(bb,aa2,39。m39。)clc。clear。format longa=[ ]。b=[1979 1980 1981 198