python-编码实现指数平滑法移动平均法

文章目录

1.实现移动平均
- 代码
2.实现指数平滑
- 代码：
3.数据集的检查
- 代码：
结果
- 移动平均
- 指数平滑

1.实现移动平均

a)一次移动平均，取多个n值，计算标准差；
b)二次移动平均，计算参数a,b，进行预测；

代码

：

# -*- coding=utf-8 -*-
# name: nan chen
# date: 2021/4/8 14:28import csv
import matplotlib.pyplot as plt# 读取数据文件
with open(r"D:\Downloads\train.csv", encoding="utf-8") as f:reader = csv.reader(f)header_row = next(reader)counts = []ids = []for row in reader:ids.append(int(row[0]))counts.append(int(row[2]))
plt.plot(ids, counts, color="blue", linewidth=1, linestyle=':', marker=',')length = len(counts)
singemovings = []
pos = 0
min = 1000000
# 一次移动平均
for n in range(2, 201):singemoving = []mse_sum = 0for i in range(n - 1, length):sum = 0for j in range(0, n):sum = sum + (counts[i - j])singemoving.append(int(sum / n))singemovings.append(singemoving)# 求解MSEfor x, y in zip(range(len(counts) - 1, n - 1, -1), range(len(singemoving) - 2, -1, -1)):mse_sum = mse_sum + ((counts[x] - singemoving[y]) ** 2)mse = mse_sum / (len(counts) - n)sq_mse = mse** 0.5if mse < min:min = msepos = nprint("n=%s 标准差=%s mse=%s" % (n, sq_mse, mse))# 打印结果print("n=%s 一次移动平均法的预测值为：%s" % (n, singemoving[len(singemoving) - 1]))
# plt.plot(ids[n - 1:], singemoving, color="red", linewidth=1, linestyle=':', marker=',', label='一次移动平均法')# 二次移动平均
# 选取mse最小的值计算二次移动平均
n = pos
singemoving = singemovings[n - 2]
twicemoving = []
for i in range(n - 1, len(singemoving)):sum = 0for j in range(0, n):sum = sum + singemoving[i - j]twicemoving.append(int(sum / n))# 二次移动平均预测值
a = singemoving[len(singemoving) - 1] * 2 - twicemoving[len(twicemoving) - 1]
b = (2 / (n - 1)) * (singemoving[len(singemoving) - 1] - twicemoving[len(twicemoving) - 1])
x = a + b
print("n=%s 二次移动平均法的预测值为：%s" % (n, x))

2.实现指数平滑

a)一次指数平滑，取多个a值；
b)二次指数平滑（可选）；

代码：

# -*- coding=utf-8 -*-
# name: nan chen
# date: 2021/4/9 10:56import csv
import matplotlib.pyplot as plt# 读取数据文件
with open(r"D:\Downloads\train.csv", encoding="utf-8") as f:reader = csv.reader(f)header_row = next(reader)counts = []ids = []for row in reader:ids.append(int(row[0]))counts.append(int(row[2]))# 一次指数平滑法
s = []
list_a = [2 / (len(counts) + 1), 0.1, 0.2, 0.3, 0.4, 0.5, 0.8, 0.9]
# colors = ["brown", "green", "red", "gray", "yellow"]
# 取初始值为x0
for a in list_a:s1 = [counts[0]]for i in range(0, len(counts)):tmp = a * counts[i] + (1 - a) * s1[i]s1.append(tmp)s.append(s1)
for i in range(0, len(list_a)):s_i = s[i]print("a=%s 一次指数平滑法的预测值为：%s" % (list_a[i], s_i[len(s_i) - 1]))# plt.plot(ids, s_i[1:], label='a = %s' % a, color=colors[i], linewidth=1, linestyle=':', marker=',')# plt.show()# 二次指数平滑法
twice_s = []
j = 0
for a in list_a:s2 = [counts[0]]single_s = s[j]for i in range(1, len(counts)):tmp = a * single_s[i] + (1 - a) * s2[i - 1]s2.append(tmp)twice_s.append(s2)j = j + 1for i in range(0, len(list_a)):single = s[i]twice = twice_s[i]at = 2 * single[len(single) - 1] - twice[len(twice) - 1]bt = (list_a[i] / 1 - list_a[i]) / (single[len(single) - 1] - twice[len(twice) - 1])x = at + btprint("a=%s 二次指数平滑法的预测值为%s" % (list_a[i], x))

3.数据集的检查

代码：

# -*- coding=utf-8 -*-
# name: nan chen
# date: 2021/4/10 9:52
import pandas as pd
import matplotlib.pyplot as plt# 检查数据集是否存在空缺
data = pd.read_csv(r"D:\Downloads\train.csv")
total = data.isnull().sum().sort_values(ascending=False)
print(total)# 绘制散点图观察是否存在偏离值
var = 'ID'
data1 = pd.concat([data['Count'], data[var]], axis=1)
data1.plot.scatter(x=var, y='Count', ylim=(0, 4000), s=1)
plt.show()# 统计某一列中各个元素值出现的次数
c = data['Count'].value_counts()
print(c)# 列出数据的偏斜度
ske = data['Count'].skew()
print("Count列的偏斜度%s " % ske)# 计算count和id的相关系数
cor = data['Count'].corr(data['ID'])
print("Count列与ID列的相关系数为%s " % cor)

结果

移动平均

指数平滑

python-编码实现指数平滑法移动平均法相关推荐

Python 二次指数平滑法预测
1.先上代码: import numpy as npdef secondaryExponentialSmoothingMethod(list,n_average,alpha,day): # 参数lis ...
一文速学数模-时序预测模型(四)二次指数平滑法和三次指数平滑法详解+Python代码实现
目录前言二次指数平滑法(Holt's linear trend method) 1.定义 2.公式二次指数平滑值: 二次指数平滑数学模型: 3.案例实现三次指数平滑法(Holt-Winters ...
python 时间序列预测指数平滑_时间序列分析之指数平滑法（holt-winters及代码）...
在做时序预测时,一个显然的思路是:认为离着预测点越近的点,作用越大.比如我这个月体重100斤,去年某个月120斤,显然对于预测下个月体重而言,这个月的数据影响力更大些.假设随着时间变化权重以指数方式下 ...
移动平均法 and 指数平滑法
感谢:https://blog.csdn.net/tz_zs/article/details/78341306 一.移动平均法(Moving average , MA) 移动平均法又称滑动平均法.滑动 ...
有手就行的移动平均法、指数平滑法的Excel操作，用来时间序列预测
数学建模比赛中的预测方法前言移动平均法指数平滑前言大家好! φ(*￣0￣) 2022年的比赛将在九月份进行,通常每个学校都会六月或七月给本校的学生发通知,并把那些对这个比赛感兴趣的同学进行培 ...
移动平均法指数平滑法
利用移动平均法预测成本模型为: 假设时间数列有t个时期的数值,本期为t期,要预测的下一个时期为t+1期,t期的实际数为Xt,下一期预测 t+1,并设是时期权数,且Wt>Wt-1>Wt-2 ...
移动平均法 VS 指数平滑法
指数平滑法整洁版 ES 全期平均法.移动平均法.指数平滑法多算例移动平均法(Moving average,MA) 基本思想是:根据时间序列资料.逐项推移,依次计算包含一定项数的序时平均值,以反映 ...
python时间序列指数平滑预测_时间序列分析预测实战之指数平滑法
一.什么是时间序列分析? 在工作中,常常要对数据进行预测,确定业务未来的发展趋势,进而配置相关的营销策略.制定业务目标,由此引申出了一个重要的用数据预测未来的方法--时间序列分析,今天和大家分享就是实 ...
Python 时间序列建模：用指数平滑法预测股价走势
指数平滑方法适用于非平稳数据(即具有趋势和/或季节性的数据),其工作方式类似于指数移动平均线.预测是过去观察的加权平均值.这些模型更加强调最近的观察结果,因为权重随时间呈指数级变小.平滑方法很受欢迎, ...

python-编码实现指数平滑法移动平均法

文章目录

1.实现移动平均

代码

2.实现指数平滑

代码：

3.数据集的检查

代码：

结果

移动平均

指数平滑

python-编码实现指数平滑法移动平均法相关推荐

最新文章

热门文章