Para superar las limitaciones de los modelos grises actuales en el análisis de datos espaciales, se incorpora una matriz de pesos espaciales en el modelo gris discreto para crear el modelo SDGM(1,1,m), y se propone el modelo L1-SDGM(1,1,m), considerando el efecto de retraso temporal para realizar la previsión simultánea de datos espaciales. Se valida el modelo SDGM(1,1,m) y el modelo L1-SDGM(1,1,m), y finalmente, se predicen los niveles de consumo de energía per cápita (PCECs) de 30 provincias en China desde 2020 hasta 2025 utilizando SDGM(1,1,m) con un mecanismo metabólico. Extraemos las siguientes conclusiones. Primero, los modelos SDGM(1,1,m) y L1-SDGM(1,1,m) establecidos en este documento son razonables y mejoran la precisión de las previsiones mientras apoyan la previsión regional interactiva. Segundo, aunque SDGM(1,1,m) se asemeja al modelo DGM(1,n), sus condiciones y objetivos de modelado son diferentes. Tercero, los modelos SDGM(1,1,m) y L1-SDGM(1,1,m) pueden utilizarse para analizar eficazmente los efectos de derrame espacial dentro del intervalo de modelado seleccionado mientras logran predicciones precisas; notablemente, de 2010 a 2017, los PCECs de Mongolia Interior y Qinghai fueron los más afectados por factores espaciales, mientras que los PCECs de Jilin, Jiangxi y otras provincias fueron poco influenciados por factores espaciales. Cuarto, las predicciones indican que los PCECs de la mayoría de las provincias chinas aumentarán bajo las condiciones grises actuales, mientras que se espera que los PCECs de provincias como Pekín disminuyan.