【数模笔记03】插值算法

_______________________________________________________数学建模清风网课笔记

一、插值多项式

也就是说，其实这个多项式是人为规定的，且通过矩阵可以证明在n阶时候的多项式唯一

拉格朗日插值法

公式：，

其中

一般而言不用此类方法，存在弊端，基本了解即可

龙格现象（Runge）

高次插值时，拉格朗日插值多项式结果在两端波动较大，产生明显的震荡

二、分段线性插值

QUESTION：插值时候，次数变高精度下降？引入误差？

A：分段去插值，提高精度

分段二次插值

牛顿插值法（一般也不多用）

与拉格朗日插值的对比：牛顿插值与前n项有关，比如说再加入一个节点，只需要在n阶结果后面加一项即可，计算较为方便；但一样存在龙格现象

埃尔米特插值法（Hermite）

结合分段插值和埃尔米特插值以后

分段三次埃尔米特插值（PCHIP）（重点，较为常用）

三、python代码实现：

主要是引入spciy.interpolate里的各种插值函数

#插值算法
import numpy as np
import matplotlib.pyplot as plt
#import math 
from scipy.interpolate import PchipInterpolator #引入三次hermite插值
from scipy.interpolate import lagrange          #引入拉格朗日插值,极其不稳定拟合效果较差
from scipy.interpolate import CubicSpline       #引入三次样条插值 

# 创建x轴数据
x = np.linspace(0, 10, 200)
x_sample = np.linspace(0, 10, 6)

#创建正弦函数
y = np.sin(x)
y_sample = np.sin(x_sample)
f1 = lagrange(x_sample,y_sample)
f2 = PchipInterpolator(x_sample,y_sample)
f3 = CubicSpline(x_sample,y_sample)

         
# 绘制图形
plt.title('Sin Function Plot')  
plt.plot(x_sample, y_sample,'ro',label='sample')
plt.plot(x, y,'b',label='sin')  
plt.plot(x,f1(x),'y',label='lagrange')
plt.plot(x,f2(x),'g',label='PCHIP')
plt.plot(x,f3(x),'m',label='CS')         
plt.xlabel('x')  
plt.ylabel('sin(x)')
plt.legend()  
plt.grid(True)  
plt.show()

拟合图像效果

（黄色为拉格朗日，绿色为三次埃尔米特插值，品红色为三次样条插值）

四、用于预测

应用场景一：人口预测

年份	2009	2010	2011	2012	2013	2014	2015	2016	2017	2018
人口数量	13345	13378	13489	13588	13745	13908	14100	14250	14443	14780

预测2019、2020、2021年度人口数量的python实现：

import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import PchipInterpolator #引入三次hermite插值
from scipy.interpolate import lagrange          #引入拉格朗日插值,极其不稳定拟合效果较差
from scipy.interpolate import CubicSpline       #引入三次样条插值 

#预测人口例子
year = np.linspace(2009,2018,10)
year_new = np.linspace(2009,2021,13)
population = [13345,13378,13489,13588,13745,13908,14100,14250,14443,14780]

f1 = PchipInterpolator(year,population)
f2 = CubicSpline(year,population)
f1_new = f1(year_new)
f2_new = f2(year_new)

# 提取2019年到2020年的数据（注意：切片是左闭右开的，所以使用2022来包含2021年的点）  
year_slice = year_new[2019-2009:2022-2009]  # 因为year_new是从2009开始的，所以索引需要相应调整  
f1_slice = f1_new[2019-2009:2022-2009]  
f2_slice = f2_new[2019-2009:2022-2009] 

#绘制人口图像
plt.plot(year,population,'bo',label='before')

plt.plot(year_slice,f1_slice,'r',label='PchipInterpolator')
plt.plot(year_slice,f2_slice,'g',label='CubicSpline')
plt.plot(year_slice,f1_slice,'r*')
plt.plot(year_slice,f2_slice,'g*')

plt.title('population forecast')
plt.legend()
plt.show()