java 数据周期预测_预测算法 | Holt Winter季节性指数平滑法 附JAVA代码

最新推荐文章于 2024-07-03 15:17:29 发布
最新推荐文章于 2024-07-03 15:17:29 发布
阅读量1k 收藏 2
点赞数
文章标签： java 数据周期预测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_34079140/article/details/114598153
版权
本文介绍了一个Java实现的Holt Winter三次指数平滑预测算法，用于数据周期预测。代码包括计算初始值、趋势平滑、季节性平滑和预测值的计算，并提供了不同平滑系数的比较方法。
摘要由CSDN通过智能技术生成

import java.util.ArrayList;

import java.util.List;

/**

* 三次指数平滑预测，最多外推一个周期

* @author Administrator

*

*/

public class HoltWintersTripleExponentialImpl{

static double[] alphas=new double[]{0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9};

public static Double getbetterforecast(List y, int period, int m){

double[] result=betterforecast(y,period,m);

return result[result.length-1];

}

/**

* 求出最佳预测

* @param y

* @param alpha

* @param beta

* @param gamma

* @param period

* @param m

* @param debug

* @return

*/

public static double[] betterforecast(List y, int period, int m) {

double[] result = null;

double avg=0;

for(int i=0;i

int sum=0;

double[] temp=forecast(y,alphas[i],0.25,0,period,m,false);

for(int j=0;j

sum+=Math.abs(y.get(j)-temp[j]);

}

if(i==0){

avg=sum/y.size();

result=temp;

}

if(avg

result=temp;

}

}

return result;

}

/**

* This method is the entry point. It calculates the initial values and returns the forecast

* for the m periods.

* @param y 数据集合

* @param alpha - Exponential smoothing coefficients for level, trend, seasonal components.

* @param beta - Exponential smoothing coefficients for level, trend, seasonal components.

* @param gamma - Exponential smoothing coefficients for level, trend, seasonal components.

* @param perdiod - 一个完整周期的长度，至少需要两个周期

* @param m -预测的个数

* @param debug - 是否打印详细信息

*/

public static double[] forecast(List y, double alpha, double beta,

double gamma, int period, int m, boolean debug) {

if (y == null) {

return null;

}

//获取季节数

int seasons = y.size() / period;

//平滑值st0

double a0 = calculateInitialLevel(y, period);

//bt0

double b0 = calculateInitialTrend(y, period);

//初始化季节因子

double[] initialSeasonalIndices = calculateSeasonalIndices(y, period, seasons);

if (debug) {

System.out.println(String.format(

"Total observations: %d, Seasons %d, Periods %d", y.size(),

seasons, period));

System.out.println("Initial level value a0: " + a0);

System.out.println("Initial trend value b0: " + b0);

printArray("Seasonal Indices: ", initialSeasonalIndices);

}

double[] forecast = calculateHoltWinters(y, a0, b0, alpha, beta, gamma,

initialSeasonalIndices, period, m, debug);

if (debug) {

printArray("Forecast", forecast);

}

return forecast;

}

/**

* This method realizes the Holt-Winters equations.

* 计算进行预测

* @param y

* @param a0

* @param b0

* @param alpha

* @param beta

* @param gamma

* @param initialSeasonalIndices

* @param period

* @param m

* @param debug

* @return - Forecast for m periods.

*/

private static double[] calculateHoltWinters(List y, double a0, double b0, double alpha,

double beta, double gamma, double[] initialSeasonalIndices, int period, int m, boolean debug) {

//整体平滑 st=alpha * y [i] / It [i-period] +(1.0  -  alpha)*(St [i  -  1] + Bt [i  -  1])

double[] St = new double[y.size()];

//趋势平滑 Bt [i] = gamma *(St [i] -St [i-1])+(1-gamma)* Bt [i-1]

double[] Bt = new double[y.size()];

//季节性平滑It [i] = beta * y [i] / St [i] +(1.0  -  beta)* It [i  -  period]

double[] It = new double[y.size()];

//预测Ft [i + m] =(St [i] +(m * Bt [i]))* It [i  -  period + m]

double[] Ft = new double[y.size() + m];

//Initialize base values  初始化

St[1] = a0;

Bt[1] = b0;

//季节性平滑

for (int i = 0; i 

It[i] = initialSeasonalIndices[i];

}

//预测初始化

Ft[0+m] = (St[0] + (m * Bt[0])) * It[0];//因为Bt [0] = 0，所以这实际上是0

Ft[m + 1] = (St[1] + (m * Bt[1])) * It[1];//Forecast starts from period + 2

//Start calculations

for (int i = 2; i 

//Calculate overall smoothing  计算所有的平滑值

if((i - period) >= 0) {

St[i] = alpha * y.get(i) / It[i - period] + (1.0 - alpha) * (St[i - 1] + Bt[i - 1]);

} else {

St[i] = alpha * y.get(i) + (1.0 - alpha) * (St[i - 1] + Bt[i - 1]);

}

//Calculate trend smoothing  计算所有的趋势

Bt[i] = gamma * (St[i] - St[i - 1]) + (1 - gamma) * Bt[i - 1];

//Calculate seasonal smoothing  计算所有的季节趋势

if((i - period) >= 0) {

It[i] = beta * y.get(i) / St[i] + (1.0 - beta) * It[i - period];

}

//Calculate forecast  计算预期值

if( ((i + m) >= period) ){

Ft[i + m] = (St[i] + (m * Bt[i])) * It[i - period + m];

if(Ft[i+m]<=0){

Ft[i+m]=1;

}

}

if(debug){

System.out.println(String.format(

"i = %d, y = %d, S = %f, Bt = %f, It = %f, F = %f", i,

y.get(i), St[i], Bt[i], It[i], Ft[i]));

}

}

return Ft;

}

/**

* See: http://robjhyndman.com/researchtips/hw-initialization/

* 1st period's average can be taken. But y[0] works better.

*

* @return - Initial Level value i.e. St[1]

*/

private static double calculateInitialLevel(List y, int period){

/**

double sum = 0;

for (int i = 0; i 

sum += y[i];

}

return sum / period;

**/

return y.get(0);

}

/**

* See: http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc435.htm

*

* @return - Initial trend - Bt[1]

*/

private static double calculateInitialTrend(List y, int period){

double sum = 0;

for (int i = 0; i 

sum += (y.get(period+i)- y.get(i));

}

return sum / (period * period);

}

/**

* See: http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc435.htm

* 计算及季节性指数

* @return - Seasonal Indices.

*/

private static double[] calculateSeasonalIndices(List y, int period, int seasons){

double[] seasonalAverage = new double[seasons];

double[] seasonalIndices = new double[period];

double[] averagedObservations = new double[y.size()];

//获取所有季节各个周期的平均值

for (int i = 0; i 

for (int j = 0; j 

seasonalAverage[i] += y.get((i * period) + j);

}

seasonalAverage[i] /= period;

}

//平均观测值

for (int i = 0; i 

for (int j = 0; j 

//真正的值/平均值

averagedObservations[(i * period) + j] =y.get((i * period) + j) / seasonalAverage[i];

}

}

//初始季节性指数

for (int i = 0; i 

for (int j = 0; j 

seasonalIndices[i] += averagedObservations[(j * period) + i];

}

seasonalIndices[i] /= seasons;

}

return seasonalIndices;

}

/**

* Utility method to pring array values.

*

* @param description

* @param data

*/

private static void printArray(String description, double[] data){

System.out.println(String.format("******************* %s *********************", description));

for (int i = 0; i 

System.out.println(data[i]);

}

System.out.println(String.format("*****************************************************************", description));

}

/**

* 求出二次最佳预测

* @param y

* @param m

* @return

*/

public static double[] betterSec(List y, int m) {

double[] result = null;

double avg=0;

for(int i=0;i

int sum=0;

double[] temp=getSecExpect(y,m,alphas[i]);

for(int j=0;j

sum+=Math.abs(y.get(j)-temp[j]);

}

if(i==0){

avg=sum/y.size();

result=temp;

}

if(avg

result=temp;

}

}

return result;

}

/**

* 二次指数平滑法求预测值 预测线性趋势

*

* @param list

*            基础数据集合

* @param year

*            未来第几期

* @param modulus

*            平滑系数

* @return 预测值

*/

public static double[] getSecExpect(List list, int year, Double modulus) {

if (list.size() = 1) {

return null;

}

double[] ft=new double[list.size()+year];

Double modulusLeft = 1 - modulus;

// 一次预测 >20项默认第一个值为初始值

Double lastIndex = Double.parseDouble(list.get(0).toString());

// 二次预测 >20项默认第一个值为初始值

Double lastSecIndex = Double.parseDouble(list.get(0).toString());

for (int i=0;i

// st1

lastIndex = modulus * list.get(i) + modulusLeft * lastIndex;

// st2

lastSecIndex = modulus * lastIndex + modulusLeft * lastSecIndex;

// AT

Double a = 2 * lastIndex - lastSecIndex;

// BT

Double b = (modulus / modulusLeft) * (lastIndex - lastSecIndex);

ft[i+1]=a+b*year;

if(ft[i+1]<=0){

ft[i+1]=1;

}

}

return ft;

}

/**

* 三次指数平滑法求预测值 预测线性趋势

*

* @param list

*            基础数据集合

* @param year

*            未来第几期

* @param modulus

*            平滑系数

* @return 预测值

*/

public static Double getThridExpect(List list, int year, Double modulus){

if (list.size() = 1) {

return null;

}

Double modulusLeft = 1 - modulus;

// 一次预测 >20项默认第一个值为初始值

Double lastIndex =(double) ((list.get(0)+list.get(1)+list.get(2))/3);

// 二次预测 >20项默认第一个值为初始值

Double lastSecIndex = lastIndex;

// 三次预测 >20项默认第一个为初始值

Double lastThreadIndes = lastIndex;

for (Integer data : list) {

// st1

lastIndex = modulus * data + modulusLeft * lastIndex;

// st2

lastSecIndex = modulus * lastIndex + modulusLeft * lastSecIndex;

// st3

lastThreadIndes = modulus * lastSecIndex + modulusLeft * lastThreadIndes;

}

// AT

Double a = 3 * lastIndex - 3 * lastSecIndex + lastThreadIndes;

// BT

Double b = (modulus / (2 * modulusLeft * modulusLeft)) * ((6 - 5 * modulus) * lastIndex

- 2 * (5 - 4 * modulus) * lastSecIndex + (4 - 3 * modulus) * lastThreadIndes);

// CT

Double c = ((modulus * modulus) / (2 * modulusLeft *modulusLeft))

* (lastIndex - 2 * lastSecIndex + lastThreadIndes);

Double except=a+b*year+c*year*year;

return except<0?0:except;

}

}

AJ-Park
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
java三次指数平滑_时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)
weixin_42349126的博客
02-26 1167
所有移动平均法都存在很多问题。它们都太难计算了。每个点的计算都让你绞尽脑汁。而且也不能通过之前的计算结果推算出加权移动平均值。移动平均值永远不可能应用于现有的数据集边缘的数据，因为它们的窗口宽度是有限的。这是一个大问题，因为数据集边缘的变动形态一般都是我们最感兴趣的部分。类似地，移动平均法也不能应用于现有数据集的范围之外。其结果是，它们对预测毫无用处。幸运的是，有一种很简单的计算方案能够避免所有这...
论文研究 - 使用Holt-Winters指数平滑法预测赞比亚的年度国际游客到达
05-21
旅游业是赞比亚和世界经济外汇收入的主要来源之一。 本文考虑了1995年至2014年期间每年在赞比亚的国际游客人数。 在这项研究中，我们评估了自回归综合移动平均线（ARIMA）和Holt Winters指数平滑（HWES）的模型性能。 误差指标：平均百分比误差（MPE），平均绝对误差（MAE），平均绝对比例误差（MASE），均方根误差（RMSE）和平均绝对百分比误差（MAPE）表明HWES是合适的模型具有合理的预测准确性。 与ARIMA（0，1，2）模型相比，HWES（α= 1，β= 0.1246865）显示出最小的误差。 因此，HWES（α= 1，β= 0.1246865）可用于模拟赞比亚年度国际游客入境量。 此外，预测结果表明，到2024年，每年国际游客的到访量将逐渐增加约42％。准确的预测对于新投资者和政策制定者至关重要。 赞比亚政府在制定政策和制定战略以促进旅游业发展时应使用此类预测。
time-series-exponential-smoothing.zip_指数平滑_指数预测模型_时间序列预测_线性分析_线性
09-20
时间序列预测分析法在建立非线性模型进行经济预测方面受 到广泛的重视和研究。而作为其重要分支之一的指数平滑法，因为操作简 单、适用性强、性能优良、应用广泛而成为经典的预测与控制模型
Java中使用arima预测未来数据
feng905001561的专栏
07-03 327
arima预估值
时间序列 · 学习笔记一
明·煜的博客
09-07 1807
时间序列预测法将预测对象按照时间顺序排列起来，构成一个所谓的时间序列，从所构成的这一组时间序列过来的变化规律，推断今后变化的可能性及变化趋势、变化规律，就是时间序列模型，其基于的基本原理是，一方面承认事物发展的延续性，运用过去时间序列的数据进行统计分析就能推测事物发展趋势；另一方面又充分考虑到偶然因素影响而产生的随机性,为了消除随机波动的影响，利用历史数据，进行统计分析，并对数据进行适当的处理，进行趋势预测。对时间序列模型的评价优点。
时间序列预测方法
me_to_007的博客
08-28 2984
时间序列预测
季节性时间序列模型与多重季节性模型（代码+分析）
celiaweiwei的博客
10-16 5028
SARIMA（Seasonal Autoregressive Integrated Moving Average）模型是一种时间序列预测模型，是ARIMA模型的扩展，用于处理具有季节性的时间序列数据。SARIMA模型在预测和分析季节性数据方面非常有用，它结合了自回归（AR）、差分（I）和移动平均（MA）的概念，以及季节性分析。季节性时间序列模型是一种用于处理时间序列数据中包含季节性模式的方法。上一节中，经过了季节性差分和正规差分后，序列成为了平稳时间序列，则我们可以用ARMA模型对多重差分后的模型建模。
java判断季节
leizhenjiang的博客
07-25 3586
public static void main(String[] args) { Scanner scanner = new Scanner(System.in); System.out.println("请输入月份"); int Month = scanner.nextInt(); if (Month>=3 &am...
一次，二次，三次指数平滑预测算法java
12-29
java代码实现指数平滑算法，其中包括一次，二次，三次
指数平滑预测_指数平滑预测_
10-01
对于有季节性的时间序列，每个季节周期内的数据会用不同的权重进行平滑，然后通过趋势平滑得到趋势修正后的季节性系数，最后进行预测。 在提供的文件“一次.txt”和“三次.txt”中，可能包含了具体的一次指数平滑...
二次指数平滑法程序 (1).rar_matlab_二次指数平滑_指数平滑_指数平滑法
07-14
二次指数平滑法是一种时间序列预测方法，常用于经济、商业和工程等领域，对具有趋势和季节性的时间数据进行预测。这种方法是指数平滑法的一种扩展，它在一次指数平滑的基础上增加了对趋势的考虑，使得预测结果更加...
Holt-Winters双指数平滑的java实现
mtngt11的博客
05-08 2136
当数据有趋势时，简单的指数平滑并不会很好，这很不方便。[1]在这种情况下，以“双指数平滑”或“二阶指数平滑”的名称设计了几种方法，这是指数滤波器的两次递归应用，因此被称为“双指数平滑”。这个术语类似于四重指数平滑，它也引用了它的递归深度。[11]双指数平滑背后的基本思想是引入一个术语来考虑一系列展示某种形式趋势的可能性。这个斜率分量本身是通过指数平滑更新的。一种方法，有时称为“Holt-Winte...
三次指数平滑算法+java_时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)——三次指数平滑算法可以很好的保存时间序列数据的趋势和季节性信息...
weixin_42505246的博客
02-27 464
在时间序列中，我们需要基于该时间序列当前已有的数据来预测其在之后的走势，三次指数平滑(Triple/Three Order Exponential Smoothing,Holt-Winters)算法可以很好的进行时间序列的预测。时间序列数据一般有以下几种特点：1.趋势(Trend) 2. 季节性(Seasonality)。趋势描述的是时间序列的整体走势，比如总体上升或者总体下降。下图所示的时间序...
java数据预测_java二次指数平滑法预测未来的值
weixin_42241168的博客
02-16 1174
指数平滑法是一种特殊的加权平均法，加权的特点是对离预测值较近的历史数据给予较大的权数，对离预测期较远的历史数据给予较小的权数，权数由近到远按指数规律递减，所以，这种预测方法被称为指数平滑法。它可分为一次指数平滑法、二次指数平滑法及更高次指数平滑法。一次指数平滑的局限性：像一次移动平均法一样，一次指数平滑法 只适用于水平型历史数据 的 预测，而不适用于斜坡型线性 趋势历史数据的预测。...
java 通过线性算法预测未来数据
m0_49513507的博客
08-25 1820
通过线性算法预测未来数据
Holt_Winters三次平滑指数实现
WX5991的博客
04-25 3589
参考网址：https://github.com/cmdrkeene/holt_winters/blob/master/ext/holtWinters.javahttps://stats.stackexchange.com/questions/193901/interpretation-of-level-trend-and-seasonal-indices-in-holt-winters-expon...
财务日常记账表.xlsx
最新发布
08-13
工资表，财务报表，对账表，付款申请，财务报告，费用支出表，财务收支 适用人群：学习不同技术领域的小白或进阶学习者；可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。
居民用水量预测模型 Holt-Winters季节性指数平滑方法
07-16
对于居民用水量的预测，可以使用Holt-Winters季节性指数平滑方法进行建模和预测。Holt-Winters方法是指数平滑的一种扩展，可以考虑到数据的趋势和季节性。 Holt-Winters方法分为三个部分：水平平滑、趋势平滑和季节...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值