灰色模型,简称GM模型
揭示系统内部连续发展的变化过程
在数据已知的情况下,其内部的层次关系是模糊的,采用这种模型去预测未知
特点
- 样本数据不能太大,太大要采用bp神经网络
- 样本不需要有规律性的分布,要满足动态变化的随机性
- 计算数据量小,不能预测太长时间之后的变化
- 定量分析和定性分析的结果一致
灰色系统,系统内部部分已知,有迹可循
白色系统,全都知道
黑色系统,全不知道,只能观测外部研究
一般采用GM(1.1)模型,一阶,一个变量
一次累加生成削弱随机性较有规律的新的离散数列
数据检验(实在没时间可以不做)
检测预测数据对于原始数据的拟合程度
残差检验:
(首先进行归一化)消除量纲的影响,
小于20%,认为达到要求
小于10%,认为非常好
级比偏差检验(差不多)
模型应用场景
- 数据是以年份度量的非负数据
- 数据跨度较短,与其他数据关联性不强
python代码加注释
# -*- coding: utf-8 -*-
"""
Spyder Editor
This is a temporary script file.
"""
import numpy as np
import math
history_data = [724.57,746.62,778.27,800.8,827.75,871.1,912.37,954.28,995.01,1037.2]
n = len(history_data)
X0 = np.array(history_data)
#累加生成
history_data_agg = [sum(history_data[0:i+1]) for i in range(n)]
X1 = np.array(history_data_agg)
#计算数据矩阵B和数据向量Y
B = np.zeros([n-1,2])
Y = np.zeros([n-1,1])
for i in range(0,n-1):
B[i][0] = -0.5*(X1[i] + X1[i+1])
B[i][1] = 1
Y[i][0] = X0[i+1]
#计算GM(1,1)微分方程的参数a和u
#A = np.zeros([2,1])
A = np.linalg.inv(B.T.dot(B)).dot(B.T).dot(Y)
a = A[0][0]
u = A[1][0]
#建立灰色预测模型
XX0 = np.zeros(n)
XX0[0] = X0[0]
for i in range(1,n):
XX0[i] = (X0[0] - u/a)*(1-math.exp(a))*math.exp(-a*(i));
#模型精度的后验差检验
e = 0 #求残差平均值
for i in range(0,n):
e += (X0[i] - XX0[i])
e /= n
#求历史数据平均值
aver = 0;
for i in range(0,n):
aver += X0[i]
aver /= n
#求历史数据方差
s12 = 0;
for i in range(0,n):
s12 += (X0[i]-aver)**2;
s12 /= n
#求残差方差
s22 = 0;
for i in range(0,n):
s22 += ((X0[i] - XX0[i]) - e)**2;
s22 /= n
#求后验差比值
C = s22 / s12
#求小误差概率
cout = 0
for i in range(0,n):
if abs((X0[i] - XX0[i]) - e) < 0.6754*math.sqrt(s12):
cout = cout+1
else:
cout = cout
P = cout / n
if (C < 0.35 and P > 0.95):
#预测精度为一级
m = 10 #请输入需要预测的年数
#print('往后m各年负荷为:')
f = np.zeros(m)
for i in range(0,m):
f[i] = (X0[0] - u/a)*(1-math.exp(a))*math.exp(-a*(i+n))
else:
print('灰色预测法不适用')