随着人们生活水平的不断提高,糖尿病患者的数量也随之增长,给人类健康造成了极大的危害,而糖尿病患者临床治疗的主要目的是稳定血糖,假如能够提前预测出患者的未来血糖浓度,那么医生就能在患者发生高血糖或低血糖事情之前采取有效的措施来稳定血糖,这将在很大程度上减小血糖不稳定对患者造成的伤害。因此,对糖尿病患者血糖预测的研究就显得尤为重要。目前,关于糖尿病血糖预测的研究大体有两个方向:一个方向是根据人体的生理模型,需要考虑影响患者血糖变化的外部因素,如饮食、药物、情绪、运动等,对患者的血糖进行控制以达到稳定的目的,不过此方向的预测算法复杂,并且结果有一定的延迟;另一个方向是只利用患者的历史血糖值,建立合适的数学模型来对患者的未来血糖值进行预测,达到简单、高效的预测效果。本文研究了基于数据驱动下的血糖预测模型,其中有人工神经网络预测模型、极限学习机预测模型、支持向量机预测模型、AR预测模型、融合ARIMA和RBFNN预测模型等,首次将灰色预测模型应用到血糖预测领域。在灰色理论基础上建立血糖GM(1,1)预测模型。在传统的GM(1,1)模型的基础上,进行了两方面的改进,一方面采用对数变换对采集到的血糖数据进行预处理,弱化原始时间序列的随机性,提高预测模型的精确度;另一方面采用新陈代谢算法,不断地增加新数据,删除老数据,建立最符合现阶段的血糖训练集,得到未来血糖的最佳预测值。最后用采集到的50例患者的血糖数据在MATLAB环境下进行实验。实验结果和AR模型的预测结果进行对比,结果显示,血糖预测GM(1,1)模型具有更好的预测效果,尤其在预测患者餐后血糖方面表现突出,达到较高的预测精度和准确度。