目录
1. GM( 1,1)模型
灰色预测是一种对具有不确定因素的系统进行预测的方法,能有效解决数据少、序列的完整性及可靠性低的问题。GM ( 1,1)模型是一种较为常用的灰色模型,GM ( 1,1)预测模型的建立实质上就是对原始数据序列作一次累加生成,使生成数据序列呈显出一定规律,然后通过建立微分方程模型,求得拟合曲线,进而对系统进行预测。
2. 组合预测模型
灰色模型
是
通过
对原
始数据加工处理来弱化随 机性的,
若数据存在较大
的
波动性
,
预测出来
的
结
果可能会存在较大误差
。
ARIMA
模型
对
于预测
的模型比较理想,
要求时序数据
是稳定的,
或者
是进行差分后
是稳定的,
往往需要
对
数据
进行
预处理
,导致预测的
精度不够准确
。
单
一的
预测模型均存在一定的局限性
,
很难把握预测结果
的
准确性
,
从而使得误差较大。
组合模型可以通过
对
各个预测模型加权平均,
把单
一
预测模型
的
优点集合
起
来
,
形成预测精度更高的
预测模型
,
可以大大减小误差
,
使得结果更加准确.
3. GMDH 进行时间序列预测
时间序列预测可以假定为非线性回归和函数近似的特例。因此,非线性回归方法(如人工神经网络和数据处理组方法(GMDH))可以应用于执行时间序列预测问题。本文用这个方法。
4.运行结果
部分代码:
%% 创建和训练GMDH网络
params.MaxLayerNeurons = 25; % 一层神经元的最大数目
params.MaxLayers = 5; %最大层数
params.alpha = 0; % alpha
params.pTrain = 0.7; % 训练集占比0.7
gmdh = GMDH(params, TrainInputs, TrainTargets);
%% 评估
Outputs = ApplyGMDH(gmdh, Inputs);
TrainOutputs = Outputs(:,TrainInd);
TestOutputs = Outputs(:,TestInd);