目录
步骤
灰色预测模型
何时用灰色预测
- 数据非负、以年份度量(如果是月份/季度,就用时间序列分解模型)
- 数据通过准指数规律的检验:除了前几期数据外,后面数据 90~80% 的期数的光滑比低于 0.5
- 数据期数较短、与其他数据关联性不强:大于3期,数据期数太长就用时间序列模型;关联性强可用回归或 VAR 向量自回归模型
OLS与完全共线性原理
矩阵求导:
https://blog.csdn.net/lipengcn/article/details/52815429
GM(1,1) 原理
白化方程(微分方程)推导:
解微分方程,得到用于预测的方程:
发展系数 -a 越小,预测越精准
准指数规律:检验数据能否用灰色预测模型
级比;光滑比 < 0.5的占比
预测之前:评价拟合效果
残差检验
级比偏差检验
拓展
全数据 GM(1,1) 、部分数据 GM(1,1) 、新信息 GM(1,1) 、新陈代谢 GM(1,1)
BP神经网络
先在论文中解释神经网络的原理(见给的参考论文资料),解释清楚为什么可以用这个模型
Matlab工具箱
先用 load 命令导入 .mat 数据;再打开神经网络拟合工具箱;再导入数据
然后再右上角导出模型
再在代码中进行预测:
% 导出的模型保存成 results
net = results.Network;
% 这里要注意将指标变为列向量,然后再用sim函数预测
sim(net, new_X(1,:)')
% 写一个循环,预测接下来的十个样本的值
predict_y = zeros(10,1); % 初始化predict_y
for i = 1: 10
result = sim(net, new_X(i,:)');
predict_y(i) = result;
end
disp('预测值为:')
disp(predict_y)
分析结果
将拟合值对真实值进行回归:拟合优度愈高 拟合效果越好