【数模修炼之旅】04 灰色预测模型 深度解析(教程+代码)
接下来 C君将会用至少30个小节来为大家深度解析数模领域常用的算法,大家可以关注这个专栏,持续学习哦,对于大家的能力提高会有极大的帮助。
1 灰色预测模型介绍及应用
灰色预测模型是数模领域常用的预测模型,灰色综合评价法是常用的评价类算法。下面就来给大家介绍一下 灰色预测模型。
一句话定义:灰色预测模型(Grey Prediction Model)是一种用于数据量较少的时间序列预测的数学模型。由于灰色预测模型建模具有所需信息少,精度较高,运算简便,易于检验,不用考虑分布规律或变化趋势的优势。
1.1 主要特点
- 小样本处理:适用于样本量小的情况,可以在只有有限数据的情况下进行有效预测。
- 数据预处理:通过对原始数据进行累加生成处理(即累加序列),可以减少数据的随机性和波动性,从而提高模型的预测精度。
- 简洁模型:灰色预测模型通常较为简单,不需要复杂的数学推导,计算量相对较小。
1.2 主要模型
1.3 主要应用
灰色预测模型的优势在于其简洁性和对少量数据的处理能力,使得它在许多需要预测和规划的领域中都能发挥重要作用。主要应用于数据量较少的时间序列预测的数学模型。
2 灰色预测模型的基本步骤
流程图:
构建累加生成序列:
所谓的累加生成,就是将同一序列中的数据逐次相加以生成新的数据的一种手段,累加后的数列成为累加生成数列。这是因为在灰色预测模型中,采用的是一阶微分方程进行建模,而一阶微分方程的解通常要求原始序列是累加生成的。
累加生成是使灰色系统变白的一种方法,它在灰色系统理论中占有极其重要的地位。通过累加生成可以看出灰量累积过程的发展态势,使杂乱无章的原始数据中蕴含的积分特性或规律加以显化。
完整过程:
3 灰色预测模型算法代码(matlab+python)
3.1 python代码
# -*- 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')
3.2 matlab
灰色预测步骤
(1)输入前期的小样本数据
(2)输入预测个数
(3)运行
y=input('请输入数据');
n=length(y);
yy=ones(n,1);
yy(1)=y(1);
for i=2:n
yy(i)=yy(i-1)+y(i)
end
B=ones(n-1,2);
for i=1:(n-1)
B(i,1)=-(yy(i)+yy(i+1))/2;
B(i,2)=1;
end
BT=B';
for j=1:(n-1)
YN(j)=y(j+1);
end
YN=YN';
A=inv(BT*B)*BT*YN;
a=A(1);
u=A(2);
t=u/a;
t_test=input('输入需要预测的个数');
i=1:t_test+n;
yys(i+1)=(y(1)-t).*exp(-a.*i)+t;
yys(1)=y(1);
for j=n+t_test:-1:2
ys(j)=yys(j)-yys(j-1);
end
x=1:n;
xs=2:n+t_test;
yn=ys(2:n+t_test);
plot(x,y,'^r',xs,yn,'*-b');
det=0;
for i=2:n
det=det+abs(yn(i)-y(i));
end
det=det/(n-1);
disp(['百分绝对误差为:',num2str(det),'%']);
disp(['预测值为:',num2str(ys(n+1:n+t_test))]);
这是另一种实现方法,实现了GM(1,1)模型的预测
% GM(1,1) 模型的 MATLAB 实现示例
% 输入数据(时间序列)
data = [43; 49; 56; 60; 67; 71; 80]; % 示例数据
n = length(data);
% 累加生成
X1 = cumsum(data); % 累加序列
% 构造数据矩阵
B = [-0.5 * (X1(1:end-1) + X1(2:end)), ones(n-1, 1)];
Y = data(2:end);
% 求解参数a和b
a_b = B \ Y;
% 提取参数
a = a_b(1);
b = a_b(2);
% 预测
X0 = data;
X1_hat = zeros(n, 1);
X1_hat(1) = X1(1);
for i = 2:n
X1_hat(i) = (X0(1) - b / a) * exp(-a * (i - 1)) + b / a;
end
% 还原预测数据
Y_hat = X1_hat - [0; X1_hat(1:end-1)];
% 绘制结果
figure;
plot(1:n, data, 'o-', 'DisplayName', '原始数据');
hold on;
plot(1:n, Y_hat, 'x--', 'DisplayName', '预测数据');
legend;
xlabel('时间');
ylabel('值');
title('GM(1,1)预测');
grid on;
代码说明:
需要参加数模竞赛的同学,可以看我的这个名片,会有最新的助攻哦:(大型比赛前会对名片进行更新)