时间序列(三)

原创 2017年01月17日 17:09:06

这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
修正指数曲线法Python代码如下:

# -*- coding: utf-8 -*-
"""
Created on Sun Jan 15 15:36:15 2017

@author: DaiPuWei
"""

'''
    时间序列修正指数曲线法,以收音机销售量为例
'''

import pandas as pd
import numpy as np
import math

def Check_Data(data):
    '''
        检查数据增长率函数,即检查增长率是否稳定在某一常数
        data是数据样本
    '''

    error = []
    flag = False
    for i in range(1,len(data)-1):
        err1 = data[i+1] - data[i]
        err2 = data[i] - data[i-1]
        error.append(err1/err2)
    tmp = np.array(error)
    _range = sum(tmp) / len(tmp) 
    if all(tmp>_range-0.2) and all(tmp<_range+0.2):
        flag = True

    return flag

def subarrsum(data,start,end):
    '''
        数组切片求和
    '''
    tmp = []
    for i in range(start,end):
        tmp.append(data[i])
    return sum(tmp)

def Index_Curve_Model(data,year,T):
    """
        修正指数曲线方法
        模型为: Y(t) = K + a * b^(t-t0+1)
        data为数据集
        T为预测年份
    """

    forecast = 0

    #增长率若稳定在某一常数则进行模型求解
    if Check_Data(data) == True:        
        #将数据分成3份
        len1 = (int)(len(data) / 3)
        len2 = len(data) - len1
        len3 = len(data)

        #各份数据的总和
        tmp = []
        for i in range(len(data)):
            tmp.append(data[i])

        sum1 = subarrsum(data,0,len1)
        sum2 = subarrsum(data,len1,len2)
        sum3 = subarrsum(data,len2,len3)

        #各个参数值的求解
        b = math.pow((sum3-sum2)/(sum2-sum1),1.0/len1)
        a = (sum2-sum1) * (b-1) / (b * (math.pow(b,len1)-1) * (math.pow(b,len1)-1))
        K = (sum1 - a*b*(math.pow(b,len1)-1)/(b-1)) / len1     

        if a > 0:
            print('修正指数曲线模型: Y(t)=',K,'+',a,'*',b,'^(T-',year[0],')')
        elif a == 0:
            print('修正指数曲线模型: Y(t)=',K)
        elif a < 0:
            print('修正指数曲线模型: Y(t)=',K,a,'*',b,'^(',T,'-',year[0],'+1)')
        forecast = K + a * math.pow(b,T-year[0]+1)

    else:
        print("数据不真实,重新输入数据!")

    return forecast

def run_main():
    '''
        这是主函数
    '''

    #读取数据集
    sample = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章   时间序列模型\\收音机销售量.xlsx')
    data = sample[sample.columns[1]]
    year = sample[sample.columns[0]]

    #模型预测
    T = 1986
    forecast = Index_Curve_Model(data,year,T)
    print(T,'年的收音机销售额预测值为:',forecast)

if __name__ == '__main__':
    run_main()

这里写图片描述
这里写图片描述
Compertz曲线法Python代码如下:

# -*- coding: utf-8 -*-
"""
Created on Sun Jan 15 21:54:47 2017

@author: DaiPuWei
"""

'''
    时间序列Compertz曲线法,以收音机销售量为例
'''

import pandas as pd
import numpy as np
import math

def Check_Data(data):
    '''
        检查数据增长率函数,即检查增长率是否稳定在某一常数
        data是数据样本
    '''

    error = []
    flag = False
    for i in range(1,len(data)-1):
        err1 = data[i+1] - data[i]
        err2 = data[i] - data[i-1]
        error.append(err1/err2)
    tmp = np.array(error)
    _range = sum(tmp) / len(tmp) 
    if all(tmp>_range-0.2) and all(tmp<_range+0.2):
        flag = True

    return flag

def subarrsum(data,start,end):
    '''
        数组切片求和
    '''
    tmp = []
    for i in range(start,end):
        tmp.append(data[i])
    return sum(tmp)

def Compertz_Model(data,year,T):
    """
        修正指数曲线方法
        模型为: Y(t) = e^(K + a * b^(t-t0+1))
        data为数据集
        T为预测年份
    """

    forecast = 0

    #增长率若稳定在某一常数则进行模型求解
    if Check_Data(data) == True:        
        #将数据分成3份
        len1 = (int)(len(data) / 3)
        len2 = len(data) - len1
        len3 = len(data)

        #各份数据的总和
        tmp = []
        for i in range(len(data)):
            tmp.append(data[i])

        sum1 = subarrsum(data,0,len1)
        sum2 = subarrsum(data,len1,len2)
        sum3 = subarrsum(data,len2,len3)

        #各个参数值的求解
        b = math.pow((sum3-sum2)/(sum2-sum1),1.0/len1)
        a = (sum2-sum1) * (b-1) / (b * (math.pow(b,len1)-1) * (math.pow(b,len1)-1))
        K = (sum1 - a*b*(math.pow(b,len1)-1)/(b-1)) / len1       

        if a > 0:
            print('Compertz曲线模型: Y(t)=',K,'*',a,'^(',b,'^(T-',year[0],'+1))')
        elif a == 0:
            print('Compertz曲线模型: Y(t)=',K)
        elif a < 0:
            print('Compertz曲线模型: Y(t)=',K,'*(',a,')^(',b,'^(T','-',year[0],'+1))')
        tmp = math.pow(b,T-year[0]+1)
        forecast = K + a*tmp
        forecast = math.exp(forecast)

    else:
        print("数据不真实,重新输入数据!")

    return forecast

def run_main():
    '''
        这是主函数
    '''

    #读取数据集
    sample = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章   时间序列模型\\收音机销售量.xlsx')
    data = sample[sample.columns[1]]
    _data = []
    for i in range(len(data)):
        _data.append(math.log(data[i]))
    year = sample[sample.columns[0]]

    #模型预测
    T = 1986
    forecast = Compertz_Curve_Model(_data,year,T)
    print(T,'年的收音机销售额预测值为:',forecast)

if __name__ == '__main__':
    run_main()

这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述
Logistic曲线(生长曲线)法Python代码如下:

# -*- coding: utf-8 -*-
"""
Created on Sun Jan 15 22:07:39 2017

@author: DaiPuWei
"""

'''
    时间序列Compertz曲线法,以收音机销售量为例
'''

import pandas as pd
import numpy as np
import math

def Check_Data(data):
    '''
        检查数据增长率函数,即检查增长率是否稳定在某一常数
        data是数据样本
    '''

    error = []
    flag = False
    for i in range(1,len(data)-1):
        err1 = data[i+1] - data[i]
        err2 = data[i] - data[i-1]
        error.append(err1/err2)
    tmp = np.array(error)
    _range = sum(tmp) / len(tmp) 
    if all(tmp>_range-0.2) and all(tmp<_range+0.2):
        flag = True

    return flag

def subarrsum(data,start,end):
    '''
        数组切片求和
    '''
    tmp = []
    for i in range(start,end):
        tmp.append(data[i])
    return sum(tmp)

def Logistic_Model(data,year,T):
    """
        修正指数曲线方法
        模型为: Y(t) = 1/(K + a * b^(t-t0))
        data为数据集
        T为预测年份
    """

    forecast = 0

    #增长率若稳定在某一常数则进行模型求解
    if Check_Data(data) == True:        
        #将数据分成3份
        len1 = (int)(len(data) / 3)
        len2 = len(data) - len1
        len3 = len(data)

        #各份数据的总和
        tmp = []
        for i in range(len(data)):
            tmp.append(data[i])

        sum1 = subarrsum(data,0,len1)
        sum2 = subarrsum(data,len1,len2)
        sum3 = subarrsum(data,len2,len3)

        #各个参数值的求解
        b = math.pow((sum3-sum2)/(sum2-sum1),1.0/len1)
        a = (sum2-sum1) * (b-1) / (b * (math.pow(b,len1)-1) * (math.pow(b,len1)-1))
        K = (sum1 - a*b*(math.pow(b,len1)-1)/(b-1)) / len1        

        if a > 0:
            print('Logistic曲线模型: Y(t)=1/(',K,'+',a,'*',b,'^(T-',year[0],'+1))')
        elif a == 0:
            print('Logistic曲线模型: Y(t)=',K)
        elif a < 0:
            print('Logistic曲线模型: Y(t)=1/(',K,'+',a,'*',b,'^(T','-',year[0],'+1))')
        tmp = math.pow(b,T-year[0]+1)
        forecast = K + a*tmp
        forecast = 1.0 / forecast

    else:
        print("数据不真实,重新输入数据!")

    return forecast

def run_main():
    '''
        这是主函数
    '''

    #读取数据集
    sample = pd.read_excel('E:\\Program Files (x86)\\大学数学\\算法大全pdf\\第24章   时间序列模型\\收音机销售量.xlsx')
    data = sample[sample.columns[1]]
    _data = []
    for i in range(len(data)):
        _data.append(1.0/data[i])
    year = sample[sample.columns[0]]

    #模型预测
    T = 1986
    forecast = Logistic_Model(_data,year,T)
    print(T,'年的收音机销售额预测值为:',forecast)

if __name__ == '__main__':
    run_main()

这里写图片描述
(时间序列模型中的ARMA模型由于原理对我来说理解有些困难,加之最近的北美数学建模大赛即将开始,自己为了顾全大局,多看掌握几个重要模型,所以ARMA模型的Python代码暂时不更新,等比赛过后有时间再更新!!!!)

版权声明:本文为博主原创文章,若需转载,请注明http://blog.csdn.net/qq_30091945

相关文章推荐

时间序列数据的存储和计算 - 开源时序数据库解析(三)

点击查看全文 InfluxDB   InfluxDB在DB-Engines的时序数据库类别里排名第一,实至名归,从它的功能丰富性、易用性以及底层实现来看,都有很多的亮点,值...

时间序列分析 R语言原版

  • 2017年11月17日 16:49
  • 33.55MB
  • 下载

时间序列数据的回归模型

  • 2017年10月31日 23:27
  • 842KB
  • 下载

如何将时间序列预测问题转换为python中的监督学习问题

原文:《How to Convert a Time Series to a Supervised Learning Problem in Python》 一、前言 像深度学习这样的机器学习方法可以用...

时间序列分析

  • 2015年06月18日 11:25
  • 14.61MB
  • 下载

平稳时间序列模型的建立

  • 2015年06月24日 19:39
  • 777KB
  • 下载

利用Python进行数据分析——时间序列[十](1) .

http://blog.csdn.net/ssw_1990/article/details/26612573

时间序列分析的工程应用 下册_0

  • 2013年12月03日 23:08
  • 4.42MB
  • 下载

时间序列预测

  • 2012年09月09日 11:14
  • 251KB
  • 下载

时间序列频繁模式挖掘:GSP算法、SPADE算法

什么是时间戳概念的频繁模式挖掘? 所谓时间戳(time-stamp)就是加入了时间序列的概念,即每次发生的时间都有时间先后的顺序,在前面讲解的Apriori算法中并没有加入此概念,虽然Apriori...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:时间序列(三)
举报原因:
原因补充:

(最多只允许输入30个字)