基于GMDH 的时间序列预测（Matlab代码实现）

目录

1. GM( 1，1)模型

2. 组合预测模型

3. GMDH 进行时间序列预测

4.运行结果

5 Matlab代码实现

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);

 

5 Matlab代码实现