数学建模系列--预测模型（二）---灰色预测模型

正如前文所述，目前我们学习预测模型的第二类：灰色预测模型。

在控制领域，有一种方法将系统可以笼统的分为三类：
黑箱、白箱、灰箱。

其中黑箱是完全不可观的，因此只能通过大量的输入、输出数据进行建模，找到合理推算后的系统模型。从原理上看，上一期所讲的神经网络模型也在其中，属于通过大量输入输出得到我们的系统辨识。

**白箱：**系统完全可观，可以直接通过过数学模型来应用求解。

**灰箱：**系统部分可观，只能用数学方法将黑色的部分分割出来，通过部分数据推测该不可观部分的数学模型、

但是当下关于灰色控制有了新的思路，当遇到数据较少的情况，无法通过暴力求解黑箱的时候，可以通过部分数据，挖掘其内因。

灰色预测模型：
原文链接：https://blog.csdn.net/qq_39798423/article/details/89283000
灰色系统理论认为，尽管客观表象复杂，但总是有整体功能的，因此必然蕴含某种内在规律。关键在于如何选择适当的方式去挖掘和利用它。因此，灰色序列的生产就是第一步。一切灰色序列都能通过某种生成弱化其随机性，显现其规律性。数据生成的常用方式有累加生成、累减生成和加权累加生成。

生成原处序列：x_0=(x_0(1),x_0(2),…)

1.累加过程：
x_1(1)=x_0(1);
x_1(2)=x_0(1)+x_0(2);
…
x_1(n)=x_0(1)+…+x_0(n);

2.加权临值生成：
x_1(n)=ax_0(n)+(1-a)x_0(n-1);

实操的步骤：
1.数据检验

使用GM(1,1)建模需要对数据进行检验，首先计算数列的级比，如果所有的级比都落在可容覆盖区间内，则数列x ( 0 )可以建立GM(1,1)模型进行灰色预测。否则就需要对数据做适当的变换处理，如平移等。

2.构建灰色模型
d(k)=x_1(k)-x_1(k-1)=x_0(k)
z(k)=ax_1(k)+(1-a)x_1(k-1)
d(k)+az(k)=b
列矩阵
u=[a;b]
Y=[d(k);d(k-1);…]
B=[-z(k), 1;…]
解Y=Bu，求出a,b(当然a可以设为1/2,便于后期计算)

3.预测
得出白化后的模型：
x(t)=(x_0(1)-b/a)e^-a(t-1)+b/a;
即可测得任意一跳的预测值。

4.检验
灰色模型的精度检验一般有三种方法灰色模型的精度检验一般有三种方法，相对误差大小检验法，关联度检验法和后验差检验法。常用的为后验差检验法。
1.将预测得到的x_1(k)通过累减法得到x_0(k)
2.计算残差
3.将残差平方和与原序列平方和对比
4.S1/S2,查表判定

1 级(好) C<=0.35
2 级（合格） C<=0.5&c>0.35
3 级（勉强） C<=0.65&c>0.5
4 级（不合格） C>0.65
如此，灰色预测结束另外。

python代码：

# 灰色模型预测import numpy as np
import pandas as pd
import matplotlib.pyplot as pltdir = 'C:/Users/Administrator/Desktop/'data = pd.read_excel(dir+'test.xls', sheetname='Sheet1')
data = np.array(data['db'])
lens = len(data)  # 数据量# 数据检验
## 计算级比
lambds = []
for i in range(1, lens):lambds.append(data[i-1]/data[i])
## 计算区间
X_min = np.e**(-2/(lens+1))
X_max = np.e**(2/(lens+1))
## 检验
is_ok = True
for lambd in lambds:if (lambd < X_min or lambd > X_max):is_ok = False
if (is_ok == False):print('该数据未通过检验')
else:print('该数据通过检验')# 构建灰色模型GM(1,1)
## 累加数列
data_1 = []
data_1.append(data[0])
for i in range(1, lens):data_1.append(data_1[i-1]+data[i])
## 灰导数及临值生成数列
ds = []
zs = []
for i in range(1, lens):ds.append(data[i])zs.append(-1/2*(data_1[i-1]+data_1[i]))
## 求a、b
B = np.array(zs).reshape(lens-1,1)
one = np.ones(lens-1)
B = np.c_[B, one]  # 加上一列1
Y = np.array(ds).reshape(lens-1,1)
a, b = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y)
print('a='+str(a))
print('b='+str(b))# 预测
def func(k):c = b/areturn (data[0]-c)*(np.e**(-a*k))+c
data_1_hat = []  # 累加预测值
data_0_hat = []  # 原始预测值
data_1_hat.append(func(0))
data_0_hat.append(data_1_hat[0])
for i in range(1, lens+5):  # 多预测5次data_1_hat.append(func(i))data_0_hat.append(data_1_hat[i]-data_1_hat[i-1])
print('预测值为：')
for i in data_0_hat:print(i)# 模型检验
## 预测结果方差
data_h = np.array(data_0_hat[0:7]).T
sum_h = data_h.sum()
mean_h = sum_h/lens
S1 = np.sum((data_h-mean_h)**2)/lens
## 残差方差
e = data - data_h
sum_e = e.sum()
mean_e = sum_e/lens
S2 = np.sum((e-mean_e)**2)/lens
## 后验差比
C = S2/S1
## 结果
if (C <= 0.35):print('1级，效果好')
elif (C <= 0.5 and C >= 0.35):print('2级，效果合格')
elif (C <= 0.65 and C >= 0.5):print('3级，效果勉强')
else:print('4级，效果不合格')# 画图
plt.figure(figsize=(9, 4), dpi=100)
x1 = np.linspace(1, 7, 7)
x2 = np.linspace(1, 12, 12)
plt.subplot(121)
plt.title('x^0')
plt.plot(x2, data_0_hat, 'r--', marker='*')
plt.scatter(x1, data, marker='^')
plt.subplot(122)
plt.title('x^1')
plt.plot(x2, data_1_hat, 'r--', marker='*')
plt.scatter(x1, data_1, marker='^')
plt.show()
————————————————

数学建模系列--预测模型（二）---灰色预测模型相关推荐

数学建模|预测方法：灰色预测模型
简介灰色系统理论是由华中理工大学邓聚龙教授于1982年提出并加以发展的.二十几年来,引起了不少国内外学者的关注,得到了长足的发展.目前,在我国已经成为社会.经济.科学技术在等诸多领域进行预测.决策. ...
Python数学建模系列（二）：规划问题之整数规划
文章目录前言整数规划例题方法一:分支定界法(使用scipy库) 方法二:使用pulp库进行求解结语前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
Python数学建模系列（五）：微分方程
文章目录前言往期文章 1.微分方程分类 2.微分方程解析解 3.微分方程数值解 3.1 场线图与数值解 3.2 洛伦兹曲线与数值解 4.传染病模型模型一:SI-Model 模型二:SIS mod ...
Python数学建模系列（六）：蒙特卡洛算法
文章目录前言往期文章 1.蒙特卡洛算法样例1 样例2 样例3 2.三门问题 3.M*M豆问题结语前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- ...
Python数学建模系列（八）：图论
文章目录前言往期文章 1 图论模型 - Dijkstra 样例1 2 图论模型-Floyd 样例2 3 机场航线设计 0.Airlines.csv数据 1.数据导入.观察变量 2.数据清洗 3.时 ...
Python数学建模系列（四）：数值逼近
文章目录前言往期文章 1. 一维插值 1.1 线性插值与样条插值(B-spline) 1.2 高阶样条插值 2. 二维插值 2.1 图像模糊处理--样条插值 2.2 二维插值的三维图 3. 最小 ...
文本建模系列之二：pLSA
"庙小妖风大,水浅王八多".还是这句话,这是业余研究生的文本建模系列之二:关于pLSA.前述就到此. pLSA:Probabilistic Latent Senmantic Ind ...
数学建模——一维、二维插值模型详解Python代码
数学建模--一维.二维插值模型详解Python代码一.一维插值 # -*-coding:utf-8 -*- import numpy as np from scipy import interpol ...
一篇文章带你认识数学建模中的二维插值
本篇文章主要是认识数学建模中的二维插值二维插值的具体计算可参考:一篇文章带你搞定二维插值的 MATLAB 计算文章目录一.引言二.网格节点的概念三.散乱节点的概念四.二维插值的常见方法 1 ...

数学建模系列--预测模型（二）---灰色预测模型

数学建模系列--预测模型（二）---灰色预测模型相关推荐

最新文章

热门文章