python灰色预测_【数学建模】灰色预测及Python实现

关键词：灰色预测、Python、pandas、numpy

一、前言

本文的目的是用Python和类对灰色预测进行封装

二、原理简述

1.灰色预测概述

灰色预测是用灰色模型GM(1,1)来进行定量分析的，通常分为以下几类：

(1) 灰色时间序列预测。用等时距观测到的反映预测对象特征的一系列数量（如产量、销量、人口数量、存款数量、利率等）构造灰色预测模型，预测未来某一时刻的特征量，或者达到某特征量的时间。

(2) 畸变预测（灾变预测）。通过模型预测异常值出现的时刻，预测异常值什么时候出现在特定时区内。

(3) 波形预测，或称为拓扑预测，它是通过灰色模型预测事物未来变动的轨迹。

(4) 系统预测，对系统行为特征指标建立一族相互关联的灰色预测理论模型，在预测系统整体变化的同时，预测系统各个环节的变化。

上述灰色预测方法的共同特点是：

（1）允许少数据预测；

（2）允许对灰因果律事件进行预测，例如：

灰因白果律事件：在粮食生产预测中，影响粮食生产的因子很多，多到无法枚举，故为灰因，然而粮食产量却是具体的，故为白果。粮食预测即为灰因白果律事件预测。

白因灰果律事件：在开发项目前景预测时，开发项目的投入是具体的，为白因，而项目的效益暂时不很清楚，为灰果。项目前景预测即为灰因白果律事件预测。

（3）具有可检验性，包括：建模可行性的级比检验（事前检验），建模精度检验（模型检验），预测的滚动检验（预测检验）。

2.GM(1,1)模型理论

GM(1,1)模型适合具有较强的指数规律的数列，只能描述单调的变化过程。已知元素序列数据：做一次累加生成（1-AGO）序列：

其中，

令为的紧邻均值生成序列：其中，建立GM(1,1)的灰微分方程模型为：其中，为发展系数，为灰色作用量。设为待估参数向量，即，则灰微分方程的最小二乘估计参数列满足其中

$B=\left[ \begin{matrix} -z^{(1)}(2) , 1 \\ -z^{(1)}(3) , 1 \\ ... , ... \\ -z^{(1)}(n) , 1 \end{matrix}\right]， Y_n=\left[ \begin{matrix} x^{(0)}(2)\\ x^{(0)}(3) \\ ... , \\ x^{(0)}(n) \end{matrix}\right]$

再建立灰色微分方程的白化方程（也叫影子方程）：

白化方程的解（也叫时间响应函数）为那么相应的GM(1,1)灰色微分方程的时间响应序列为：取，则再做累减还原可得即为预测方程。

注1：原始序列数据不一定要全部使用，相应建立的模型也会不同，即和不同；

注2：原始序列数据必须要等时间间隔、不间断。

3.算法步骤

(1) 数据的级比检验

为了保证灰色预测的可行性，需要对原始序列数据进行级比检验。

对原始数据列，计算序列的级比：若所有的级比都落在可容覆盖内，则可进行灰色预测；否则需要对做平移变换，，使得满足级比要求。

(2) 建立GM(1,1)模型，计算出预测值列。

(3) 检验预测值：

① 相对残差检验，计算若，则认为达到一般要求，若，则认为达到较高要求；

② 级比偏差值检验

根据前面计算出来的级比, 和发展系数, 计算相应的级比偏差：若, 则认为达到一般要求，若, 则认为达到较高要求。

(4) 利用模型进行预测。

三、程序实现

1.引入需要的包

import pandas as pd

import numpy as np

%matplotlib inline

import matplotlib.pyplot as plt

import matplotlib

matplotlib.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体

matplotlib.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

下面的matplotlib是作图用的，如果不做图可以不用引入

2.构建大致框架

灰色建模的主体应该分为几步：

（1）引入、整理数据

（2）校验数据是否合格

（3）GM(1,1)建模

（4）将最新的预测数据当做真实值继续预测

（5）输出结果

因此打好的框架如下：

class GrayForecast():

#初始化

def __init__(self, data, datacolumn=None):

pass

#级比校验

def level_check(self):

pass

#GM(1,1)建模

def GM_11_build_model(self, forecast=5):

pass

#预测

def forecast(self, time=5, forecast_data_len=5):

pass

#打印日志

def log(self):

pass

#重置

def reset(self):

pass

#作图

def plot(self):

pass

3.__init__

作为初始化的方法，我们希望它能将数据格式化存储，并且可使用的类型越多越好，在这里我先实现能处理三种类型：一维列表、DataFrame、Series。如果处理DataFrame可能会出现不止一维的情况，于是设定一个参数datacolumn，用于处理传入DataFrame不止一列数据到底用哪个的问题

def __init__(self, data, datacolumn=None):

if isinstance(data, pd.core.frame.DataFrame):

self.data=data

try:

self.data.columns = ['数据']

except:

if not datacolumn:

raise Exception('您传入的dataframe不止一列')

else:

self.data = pd.DataFrame(data[datacolumn])

self.data.columns=['数据']

elif isinstance(data, pd.core.series.Series):

self.data = pd.DataFrame(data, columns=['数据'])

else:

self.data = pd.DataFrame(data, columns=['数据'])

self.forecast_list = self.data.copy()

if datacolumn:

self.datacolumn = datacolumn

else:

self.datacolumn = None

#save arg:

# data DataFrame 数据

# forecast_list DataFrame 预测序列

# datacolumn string 数据的含义

4.level_check

按照级比校验的步骤进行，最终返回是否成功的bool类型值

def level_check(self):

# 数据级比校验

n = len(self.data)

lambda_k = np.zeros(n-1)

for i in range(n-1):

lambda_k[i] = self.data.ix[i]["数据"]/self.data.ix[i+1]["数据"]

if lambda_k[i] < np.exp(-2/(n+1)) or lambda_k[i] > np.exp(2/(n+2)):

flag = False

else:

flag = True

self.lambda_k = lambda_k

if not flag:

print("级比校验失败，请对X(0)做平移变换")

return False

else:

print("级比校验成功，请继续")

return True

#save arg:

# lambda_k 1-d list

5.GM_11_build_model

按照GM(1,1)的步骤进行一次预测并增长预测序列（forecast_list）

传入的参数forecast为使用forecast_list末尾数据的数量，因为灰色预测为短期预测，过多的数据反而会导致数据精准度变差

def GM_11_build_model(self, forecast=5):

if forecast > len(self.data):

raise Exception('您的数据行不够')

X_0 = np.array(self.forecast_list['数据'].tail(forecast))

# 1-AGO

X_1 = np.zeros(X_0.shape)

for i in range(X_0.shape[0]):

X_1[i] = np.sum(X_0[0:i+1])

# 紧邻均值生成序列

Z_1 = np.zeros(X_1.shape[0]-1)

for i in range(1, X_1.shape[0]):

Z_1[i-1] = -0.5*(X_1[i]+X_1[i-1])

B = np.append(np.array(np.mat(Z_1).T), np.ones(Z_1.shape).reshape((Z_1.shape[0], 1)), axis=1)

Yn = X_0[1:].reshape((X_0[1:].shape[0], 1))

B = np.mat(B)

Yn = np.mat(Yn)

a_ = (B.T*B)**-1 * B.T * Yn

a, b = np.array(a_.T)[0]

X_ = np.zeros(X_0.shape[0])

def f(k):

return (X_0[0]-b/a)*(1-np.exp(a))*np.exp(-a*(k))

self.forecast_list.loc[len(self.forecast_list)] = f(X_.shape[0])

6.forecast

预测函数只要调用GM_11_build_model就可以，传入的参数time为向后预测的次数，forecast_data_len为每次预测所用末尾数据的条目数

def forecast(self, time=5, forecast_data_len=5):

for i in range(time):

self.GM_11_build_model(forecast=forecast_data_len)

7.log

打印当前预测序列

def log(self):

res = self.forecast_list.copy()

if self.datacolumn:

res.columns = [self.datacolumn]

return res

8.reset

初始化序列

def reset(self):

self.forecast_list = self.data.copy()

9.plot

作图

def plot(self):

self.forecast_list.plot()

if self.datacolumn:

plt.ylabel(self.datacolumn)

plt.legend([self.datacolumn])

四、使用

首先读入数据，最近11年的电影票房(电影票房.csv)：

年份,票房

2007,33.27

2008,43.41

2009,62.06

2010,101.72

2011,131.15

2012,170.73

2013,217.69

2014,296.39

2015,440.69

2016,457.12

2017,559.11

f = open("电影票房.csv", encoding="utf8")

df = pd.read_csv(f)

df.tail()

11条数据

构建灰色预测对象，进行10年预测输出结果并作图

gf = GrayForecast(df, '票房')

gf.forecast(10)

gf.log()

原来的11条数据+10条预测结果

gf.plot()

全体数据作图

五、总结

我们看数据的后面几条，高达数千万，或许10年前我们也想不到现在的电影票房是曾经原来的20倍。

这么快的增长已经接近指数增长了，然而它很可能就像人口一样，它并非是指数增长，而是没有达到增速减少的阈值罢了，用灰色预测很难看到如此长远的情况，或许可以将数据改为用sigmoid函数拟合，或许能达到更加准确的结果。

sigmoid函数

python灰色预测_【数学建模】灰色预测及Python实现相关推荐

图书销量时间序列预测_数学建模_Prophet实现
图书销量时间序列预测_数学建模_Prophet实现前言主要参考代码库导入与函数设置导库展示函数取数据函数训练函数评估函数数据预处理数据集划分数据分布查看销售曲线查看销售预测 ...
python 广义线性模型_数学建模/机器学习：广义加性模型(GAM)及其Python实现
笔者做过国赛也做过美赛,其中一类典型问题就是分析相关性,从而进行预测或者其他操作.这类问题通常情况下属于比较常规的问题,一般通过matlab或SPSS分析相关性,得到一个较好的数值即可. 然而有的时候 ...
python秒表游戏_数学游戏Tkinter中的Python计时器
匿名用户我想你需要的是这个.from Tkinter import * import time class StopWatch(Frame): """ Implemen ...
数学建模——灰色预测模型Python代码
数学建模--灰色预测模型Python代码 """ Spyder Editor This is a temporary script file. ""& ...
数学建模——层次分析法Python代码
数学建模--层次分析法Python代码 import numpy as np class AHP: """ 相关信息的传入和准备 """ d ...
数学建模——TOPSIS综合评价模型Python代码
数学建模--TOPSIS综合评价模型Python代码正常代码 import numpy as np # 导入numpy包并将其命名为np ##定义正向化的函数 def positivization( ...
Python灰帽子_黑客与逆向工程师的Python编程之道
收藏自用链接:Python灰帽子_黑客与逆向工程师的Python编程之道
数学建模：预测性模型学习——灰色预测模型（GM（1，1）模型）
目录前言一.模型实现 1.流程介绍 2.灰色生成 1.累加生成算子 2.均值生成算子 3.可行性分析(级比检验) 4.建立GM(1,1)模型 1.数据预处理: 2.建立模型: 3.构造数据矩阵B及 ...
灰色关联度分析_数学建模|关联分析之术|灰度预测模型预备知识
关联分析作者:PureFFFmennory 联系方式:ProdigyYanng@gmail.com 1. 目的现实客观事物的每个现象非常复杂,影响因素繁多.对某一个系统而言,需要对该系统进行因素分 ...
数学建模-灰色预测模型（预测模型）
灰色预测是指利用GM模型对系统行为特征的发展变化规律进行估计预测,同时也可以对行为特征的异常情况发生的时刻进行估计计算,以及对在特定时区内发生事件的未来时间分布情况做出研究等等.这些工 ...

python灰色预测_【数学建模】灰色预测及Python实现

python灰色预测_【数学建模】灰色预测及Python实现相关推荐

最新文章

热门文章