预测算法模型（灰色预测和BP神经网络）
2024-05-18 20:10:41
来源：数学建模清风学习内容整理
文章目录
- 灰色预测模型
- GM数学模型和原理
- GM(1,1)模型的评价和检验
- ※ 什么时候用灰色预测？
- 灰色预测的例题
- BP神经网络
- 神经网络介绍
- 例题一：辛烷值的预测
- 例题二：神经网络在多输出中的运用
- 预测模型的建议
灰色预测模型
GM数学模型和原理
- 灰色模型（1阶1变量）
- k和bk和bk和b是如何推导的：
矩阵求导：https://blog.csdn.net/lipengcn/article/details/52815429
GM(1,1)模型的评价和检验
- 拓展的GM(1,1)模型
※ 什么时候用灰色预测？
灰色预测的例题
- 可以先对模型代码思路打一个草稿或者画个流程图
（ 注： SSE为误差平方和 ）
- 主函数：main
%% 输入原始数据并做出时间序列图
clear;clc
year =[1995:1:2004]'; % 横坐标表示年份，写成列向量的形式（加'就表示转置）
x0 = [174,179,183,189,207,234,220.5,256,270,285]'; %原始数据序列，写成列向量的形式（加'就表示转置）
% year = [2009:2015]; % 其实本程序写成了行向量也可以，因为我怕你们真的这么写了，所以在后面会有判断。
% x0 = [730, 679, 632, 599, 589, 532, 511];
% year = [2010:2017]'; % 该数据很特殊，可以通过准指数规律检验，但是预测效果却很差
% x0 = [1.321,0.387,0.651,0.985,1.235,0.987,0.854,1.021]';
% year = [2014:2017]';
% x0 = [2.874,3.278,3.337,3.390]';% 画出原始数据的时间序列图
figure(1); % 因为我们的图形不止一个，因此要设置编号
plot(year,x0,'o-'); grid on; % 原式数据的时间序列图
set(gca,'xtick',year(1:1:end)) % 设置x轴横坐标的间隔为1
xlabel('年份'); ylabel('排污总量'); % 给坐标轴加上标签%% 因为我们要使用GM(1,1)模型，其适用于数据期数较短的非负时间序列
ERROR = 0; % 建立一个错误指标，一旦出错就指定为1
% 判断是否有负数元素
if sum(x0<0) > 0 % x0<0返回一个逻辑数组(0-1组成)，如果有数据小于0，则所在位置为1，如果原始数据均为非负数，那么这个逻辑数组中全为0，求和后也是0~disp('亲，灰色预测的时间序列中不能有负数哦')ERROR = 1;
end% 判断数据量是否太少
n = length(x0); % 计算原始数据的长度
disp(strcat('原始数据的长度为',num2str(n))) % strcat()是连接字符串的函数
if n<=3disp('亲，数据量太小，我无能为力哦')ERROR = 1;
end% 数据太多时提示可考虑使用其他方法（不报错）
if n>10disp('亲，这么多数据量，一定要考虑使用其他的方法哦，例如ARIMA，指数平滑等')
end% 判断数据是否为列向量，如果输入的是行向量则转置为列向量
if size(x0,1) == 1x0 = x0';
end
if size(year,1) == 1year = year';
end%% 对一次累加后的数据进行准指数规律的检验(注意，这个检验有时候即使能通过，也不一定能保证预测结果非常好，例如上面的第三组数据)
if ERROR == 0 % 如果上述错误均没有发生时，才能执行下面的操作步骤disp('------------------------------------------------------------')disp('准指数规律检验')x1 = cumsum(x0); % 生成1-AGO序列，cumsum是累加函数哦~ 注意：1.0e+03 *0.1740的意思是科学计数法,即10^3*0.1740 = 174rho = x0(2:end) ./ x1(1:end-1) ; % 计算光滑度rho(k) = x0(k)/x1(k-1)% 画出光滑度的图形，并画上0.5的直线，表示临界值figure(2)plot(year(2:end),rho,'o-',[year(2),year(end)],[0.5,0.5],'-'); grid on;text(year(end-1)+0.2,0.55,'临界线') % 在坐标(year(end-1)+0.2,0.55)上添加文本set(gca,'xtick',year(2:1:end)) % 设置x轴横坐标的间隔为1xlabel('年份'); ylabel('原始数据的光滑度'); % 给坐标轴加上标签disp(strcat('指标1：光滑比小于0.5的数据占比为',num2str(100*sum(rho<0.5)/(n-1)),'%'))disp(strcat('指标2：除去前两个时期外，光滑比小于0.5的数据占比为',num2str(100*sum(rho(3:end)<0.5)/(n-3)),'%'))disp('参考标准：指标1一般要大于60%, 指标2要大于90%，你认为本例数据可以通过检验吗？')Judge = input('你认为可以通过准指数规律的检验吗？可以通过请输入1，不能请输入0：');if Judge == 0disp('亲，灰色预测模型不适合你的数据哦~ 请考虑其他方法吧 例如ARIMA，指数平滑等')ERROR = 1;enddisp('------------------------------------------------------------')
end%% 当数据量大于4时，我们利用试验组来选择使用传统的GM(1,1)模型、新信息GM(1,1)模型还是新陈代谢GM(1,1)模型； 如果数据量等于4，那么我们直接对三种方法求一个平均来进行预测
if ERROR == 0 % 如果上述错误均没有发生时，才能执行下面的操作步骤if n > 4 % 数据量大于4时，将数据分为训练组和试验组(根据原数据量大小n来取，n为5-7个则取最后两年为试验组，n大于7则取最后三年为试验组)disp('因为原数据的期数大于4，所以我们可以将数据组分为训练组和试验组') % 注意，如果试验组的个数只有1个，那么三种模型的结果完全相同，因此至少要取2个试验组if n > 7test_num = 3;elsetest_num = 2;endtrain_x0 = x0(1:end-test_num); % 训练数据disp('训练数据是: ')disp(mat2str(train_x0')) % mat2str可以将矩阵或者向量转换为字符串显示, 这里加一撇表示转置，把列向量变成行向量方便观看test_x0 = x0(end-test_num+1:end); % 试验数据disp('试验数据是: ')disp(mat2str(test_x0')) % mat2str可以将矩阵或者向量转换为字符串显示disp('------------------------------------------------------------')% 使用三种模型对训练数据进行训练，返回的result就是往后预测test_num期的数据disp(' ')disp('***下面是传统的GM(1,1)模型预测的详细过程***')result1 = gm11(train_x0, test_num); %使用传统的GM(1,1)模型对训练数据，并预测后test_num期的结果disp(' ')disp('***下面是进行新信息的GM(1,1)模型预测的详细过程***')result2 = new_gm11(train_x0, test_num); %使用新信息GM(1,1)模型对训练数据，并预测后test_num期的结果disp(' ')disp('***下面是进行新陈代谢的GM(1,1)模型预测的详细过程***')result3 = metabolism_gm11(train_x0, test_num); %使用新陈代谢GM(1,1)模型对训练数据，并预测后test_num期的结果% 现在比较三种模型对于试验数据的预测结果disp(' ')disp('------------------------------------------------------------')% 绘制对试验数据进行预测的图形（对于部分数据，可能三条直线预测的结果非常接近）test_year = year(end-test_num+1:end); % 试验组对应的年份figure(3)plot(test_year,test_x0,'o-',test_year,result1,'*-',test_year,result2,'+-',test_year,result3,'x-'); grid on;set(gca,'xtick',year(end-test_num+1): 1 :year(end)) % 设置x轴横坐标的间隔为1legend('试验组的真实数据','传统GM(1,1)预测结果','新信息GM(1,1)预测结果','新陈代谢GM(1,1)预测结果') % 注意：如果lengend挡着了图形中的直线，那么lengend的位置可以自己手动拖动xlabel('年份'); ylabel('排污总量'); % 给坐标轴加上标签% 计算误差平方和SSESSE1 = sum((test_x0-result1).^2);SSE2 = sum((test_x0-result2).^2);SSE3 = sum((test_x0-result3).^2);disp(strcat('传统GM(1,1)对于试验组预测的误差平方和为',num2str(SSE1)))disp(strcat('新信息GM(1,1)对于试验组预测的误差平方和为',num2str(SSE2)))disp(strcat('新陈代谢GM(1,1)对于试验组预测的误差平方和为',num2str(SSE3)))if SSE1<SSE2if SSE1<SSE3choose = 1; % SSE1最小，选择传统GM(1,1)模型elsechoose = 3; % SSE3最小，选择新陈代谢GM(1,1)模型endelseif SSE2<SSE3choose = 2; % SSE2最小，选择新信息GM(1,1)模型elsechoose = 3; % SSE3最小，选择新陈代谢GM(1,1)模型endModel = {'传统GM(1,1)模型','新信息GM(1,1)模型','新陈代谢GM(1,1)模型'};disp(strcat('因为',Model(choose),'的误差平方和最小，所以我们应该选择其进行预测'))disp('------------------------------------------------------------')%% 选用误差最小的那个模型进行预测predict_num = input('请输入你要往后面预测的期数： ');% 计算使用传统GM模型的结果，用来得到另外的返回变量：x0_hat, 相对残差relative_residuals和级比偏差eta[result, x0_hat, relative_residuals, eta] = gm11(x0, predict_num); % 先利用gm11函数得到对原数据拟合的详细结果% % 判断我们选择的是哪个模型，如果是2或3，则更新刚刚由模型1计算出来的预测结果if choose == 2result = new_gm11(x0, predict_num);endif choose == 3result = metabolism_gm11(x0, predict_num);end%% 输出使用最佳的模型预测出来的结果disp('------------------------------------------------------------')disp('对原始数据的拟合结果：')for i = 1:ndisp(strcat(num2str(year(i)), ' ： ',num2str(x0_hat(i))))enddisp(strcat('往后预测',num2str(predict_num),'期的得到的结果：'))for i = 1:predict_numdisp(strcat(num2str(year(end)+i), ' ： ',num2str(result(i))))end%% 如果只有四期数据，那么我们就没必要选择何种模型进行预测，直接对三种模型预测的结果求一个平均值~elsedisp('因为数据只有4期，因此我们直接将三种方法的结果求平均即可~')predict_num = input('请输入你要往后面预测的期数： ');disp(' ')disp('***下面是传统的GM(1,1)模型预测的详细过程***')[result1, x0_hat, relative_residuals, eta] = gm11(x0, predict_num);disp(' ')disp('***下面是进行新信息的GM(1,1)模型预测的详细过程***')result2 = new_gm11(x0, predict_num);disp(' ')disp('***下面是进行新陈代谢的GM(1,1)模型预测的详细过程***')result3 = metabolism_gm11(x0, predict_num);result = (result1+result2+result3)/3;disp('对原始数据的拟合结果：')for i = 1:ndisp(strcat(num2str(year(i)), ' ： ',num2str(x0_hat(i))))enddisp(strcat('传统GM(1,1)往后预测',num2str(predict_num),'期的得到的结果：'))for i = 1:predict_numdisp(strcat(num2str(year(end)+i), ' ： ',num2str(result1(i))))enddisp(strcat('新信息GM(1,1)往后预测',num2str(predict_num),'期的得到的结果：'))for i = 1:predict_numdisp(strcat(num2str(year(end)+i), ' ： ',num2str(result2(i))))enddisp(strcat('新陈代谢GM(1,1)往后预测',num2str(predict_num),'期的得到的结果：'))for i = 1:predict_numdisp(strcat(num2str(year(end)+i), ' ： ',num2str(result3(i))))enddisp(strcat('三种方法求平均得到的往后预测',num2str(predict_num),'期的得到的结果：'))for i = 1:predict_numdisp(strcat(num2str(year(end)+i), ' ： ',num2str(result(i))))endend%% 绘制相对残差和级比偏差的图形(注意：因为是对原始数据的拟合效果评估，所以三个模型都是一样的哦~~~)figure(4)subplot(2,1,1) % 绘制子图（将图分块）plot(year(2:end), relative_residuals,'*-'); grid on; % 原数据中的各时期和相对残差legend('相对残差'); xlabel('年份');set(gca,'xtick',year(2:1:end)) % 设置x轴横坐标的间隔为1subplot(2,1,2)plot(year(2:end), eta,'o-'); grid on; % 原数据中的各时期和级比偏差legend('级比偏差'); xlabel('年份');set(gca,'xtick',year(2:1:end)) % 设置x轴横坐标的间隔为1disp(' ')disp('****下面将输出对原数据拟合的评价结果***')%% 残差检验average_relative_residuals = mean(relative_residuals); % 计算平均相对残差 mean函数用来均值disp(strcat('平均相对残差为',num2str(average_relative_residuals)))if average_relative_residuals<0.1disp('残差检验的结果表明：该模型对原数据的拟合程度非常不错')elseif average_relative_residuals<0.2disp('残差检验的结果表明：该模型对原数据的拟合程度达到一般要求')elsedisp('残差检验的结果表明：该模型对原数据的拟合程度不太好，建议使用其他模型预测')end%% 级比偏差检验average_eta = mean(eta); % 计算平均级比偏差disp(strcat('平均级比偏差为',num2str(average_eta)))if average_eta<0.1disp('级比偏差检验的结果表明：该模型对原数据的拟合程度非常不错')elseif average_eta<0.2disp('级比偏差检验的结果表明：该模型对原数据的拟合程度达到一般要求')elsedisp('级比偏差检验的结果表明：该模型对原数据的拟合程度不太好，建议使用其他模型预测')enddisp(' ')disp('------------------------------------------------------------')%% 绘制最终的预测效果图figure(5) % 下面绘图中的符号m:洋红色 b:蓝色plot(year,x0,'-o', year,x0_hat,'-*m', year(end)+1:year(end)+predict_num,result,'-*b' ); grid on;hold on;plot([year(end),year(end)+1],[x0(end),result(1)],'-*b')legend('原始数据','拟合数据','预测数据') % 注意：如果lengend挡着了图形中的直线，那么lengend的位置可以自己手动拖动set(gca,'xtick',[year(1):1:year(end)+predict_num]) % 设置x轴横坐标的间隔为1xlabel('年份'); ylabel('排污总量'); % 给坐标轴加上标签
end% % 注意：代码文件仅供参考，一定不要直接用于自己的数模论文中
% % 国赛对于论文的查重要求非常严格，代码雷同也算作抄袭
- 子函数：gm11
function [result, x0_hat, relative_residuals, eta] = gm11(x0, predict_num)% 函数作用：使用传统的GM(1,1)模型对数据进行预测% x0：要预测的原始数据% predict_num： 向后预测的期数% 输出变量 （注意，实际调用时该函数时不一定输出全部结果，就像corrcoef函数一样~，可以只输出相关系数矩阵，也可以附带输出p值矩阵）% result：预测值% x0_hat：对原始数据的拟合值% relative_residuals： 对模型进行评价时计算得到的相对残差% eta： 对模型进行评价时计算得到的级比偏差n = length(x0); % 数据的长度x1=cumsum(x0); % 计算一次累加值z1 = (x1(1:end-1) + x1(2:end)) / 2; % 计算紧邻均值生成数列（长度为n-1）% 将从第二项开始的x0当成y，z1当成x，来进行一元回归 y = kx +by = x0(2:end); x = z1;% 下面的表达式就是第四讲拟合里面的哦~ 但是要注意，此时的样本数应该是n-1，少了一项哦k = ((n-1)*sum(x.*y)-sum(x)*sum(y))/((n-1)*sum(x.*x)-sum(x)*sum(x));b = (sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/((n-1)*sum(x.*x)-sum(x)*sum(x));a = -k; %注意：k = -a哦% 注意： -a就是发展系数, b就是灰作用量disp('现在进行GM(1,1)预测的原始数据是: ')disp(mat2str(x0')) % mat2str可以将矩阵或者向量转换为字符串显示disp(strcat('最小二乘法拟合得到的发展系数为',num2str(-a),'，灰作用量是',num2str(b)))disp('***************分割线***************')x0_hat=zeros(n,1); x0_hat(1)=x0(1); % x0_hat向量用来存储对x0序列的拟合值，这里先进行初始化for m = 1: n-1x0_hat(m+1) = (1-exp(a))*(x0(1)-b/a)*exp(-a*m);endresult = zeros(predict_num,1); % 初始化用来保存预测值的向量for i = 1: predict_numresult(i) = (1-exp(a))*(x0(1)-b/a)*exp(-a*(n+i-1)); % 带入公式直接计算end% 计算绝对残差和相对残差absolute_residuals = x0(2:end) - x0_hat(2:end); % 从第二项开始计算绝对残差，因为第一项是相同的relative_residuals = abs(absolute_residuals) ./ x0(2:end); % 计算相对残差，注意分子要加绝对值，而且要使用点除% 计算级比和级比偏差class_ratio = x0(2:end) ./ x0(1:end-1) ; % 计算级比 sigma(k) = x0(k)/x0(k-1)eta = abs(1-(1-0.5*a)/(1+0.5*a)*(1./class_ratio)); % 计算级比偏差
end- 子函数：metabolism_gm11
function [result] = metabolism_gm11(x0, predict_num)
% 函数作用：使用新陈代谢的GM(1,1)模型对数据进行预测
% 输入变量
% x0：要预测的原始数据
% predict_num： 向后预测的期数
% 输出变量
% result：预测值result = zeros(predict_num,1); % 初始化用来保存预测值的向量for i = 1 : predict_num result(i) = gm11(x0, 1); % 将预测一期的结果保存到result中x0 = [x0(2:end); result(i)]; % 更新x0向量，此时x0多了新的预测信息，并且删除了最开始的那个向量end
end
- 子函数：new_gm11
function [result] = new_gm11(x0, predict_num)
% 函数作用：使用新信息的GM(1,1)模型对数据进行预测
% 输入变量
% x0：要预测的原始数据
% predict_num： 向后预测的期数
% 输出变量
% result：预测值result = zeros(predict_num,1); % 初始化用来保存预测值的向量for i = 1 : predict_num result(i) = gm11(x0, 1); % 将预测一期的结果保存到result中x0 = [x0; result(i)]; % 更新x0向量，此时x0多了新的预测信息end
end
- 新信息就是不断添加新数据
- 新陈代谢就是去掉旧数据，添加新数据
BP神经网络
神经网络介绍
- 原理的视频介绍（只看前20分钟，后面的讲的不怎么好，可跳过）
- 神经网络原理的简单介绍
- 神经网络的应用
链接：https://pan.baidu.com/s/1hu7x_LC65Ez382725sqU4g （提取码：dwla）
备用下载链接：https://pan.baidu.com/s/1tHOA9rIMNYgFqHfIqCMwlQ
----》详解：https://blog.csdn.net/liushiqi0826/article/details/86514585
例题一：辛烷值的预测
- 不能使用回归❌
： 因为回归的使用前提是样本数 n 大于 自变量的个数 题目中的样本数为50组，而自变量有401个- 也可以降维使得自变量减少，再使用回归
- 可以选择不同的训练算法来比较MSE ，选择 MSE 最小的训练算法
load data_Octane.mat
% 尽量使用新版的Matlab
% 在Matlab的菜单栏点击APP，再点击Neural Fitting app.% 利用训练出来的神经网络模型对数据进行预测
% 例如我们要预测编号为51的样本，其对应的401个吸光度为：new_X(1,:)
% sim(net, new_X(1,:))
% 错误使用 network/sim (line 266)
% Input data sizes do not match net.inputs{1}.size.
% net.inputs{1}.size% 这里要注意，我们要将指标变为列向量，然后再用sim函数预测
sim(net, new_X(1,:)') %net就是训练好的神经网络% 写一个循环，预测接下来的十个样本的辛烷值
predict_y = zeros(10,1); % 初始化predict_y
for i = 1: 10result = sim(net, new_X(i,:)');predict_y(i) = result;
end
disp('预测值为：')
disp(predict_y)
- 如果出现过拟合怎么办？
- 可以只选取大部分数据进行神经网络训练，保留部分真实数据，带入训练好的神经网络来看MSE或者SSE
例题二：神经网络在多输出中的运用
预测模型的建议
预测算法模型（灰色预测和BP神经网络）相关推荐
- 运用自回归滑动平均模型、灰色预测模型、BP神经网络三种模型分别预测全球平均气温，并进行预测精度对比（附代码、数据）
大家好,我是带我去滑雪,每天教你一个小技巧!全球变暖是近十年来,人们关注度最高的话题.2022年夏天,蔓延全球40℃以上的极端天气不断刷新人们对于高温的认知,人们再也不会像从前那样认为全球变暖离我们遥 ...
- 【负荷预测】基于灰色预测算法的负荷预测（Python代码实现）
目录 1 概述 2 流程图 3 入门算例 4 基于灰色预测算法的负荷预测(Python代码实现) 1 概述 "由于数据列的离散性,信息时区内将出现空集(不包含信息的定时区),因此只能按近似 ...
- python灰色预测_python 实现 灰色预测 GM(1,1)模型 灰色系统 预测 灰色预测公式推导...
关键词:灰色预测 python 实现 灰色预测 GM(1,1)模型 灰色系统 预测 灰色预测公式推导 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 ...
- 预测算法模型_如何测量预测模型或算法的准确性第1部分。
预测算法模型 在开发预测模型和算法时,无论是线性回归模型还是ARIMA模型 ,重要的是量化模型对未来观测的适应程度. 计算模型的正确性的最简单方法之一是使用预测值和实际值之间的误差. 从那里开始,有几 ...
- Facebook时间序列预测算法模型-prophet
Facebook时间序列预测算法模型-prophet prophet(先知)是Facebook开源的一个时间序列预测算法.其是基于时间序列分解和机器学习的拟合来做的,其中在拟合模型的时候使用了pySt ...
- MATLAB：海洋捕食者算法（MPA）优化BP神经网络权值和阈值用于月径流预测
海洋捕食者算法(Marine Predators Algorithm,MPA)是Afshin Faramarzi等人于2020年提出的一种新型元启发式优化算法,其灵感来源于海洋"适者生存&q ...
- 关于公司财务的预测，使用sklearn中的bp神经网络
目标:已经有551个数据,试图构造一个bp神经网络,通过一个企业的各项指标来判断这个企业属于哪一类. 我写了两个函数,一个是主函数main,一个是读取数据和预处理的函数read_data, 其中rea ...
- LSTM预测算法（股票预测 天气预测 房价预测）
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
- 机器学习算法-09-深度学习、BP神经网络、Hopfield神经网络、基于数学原理的神经网络、径向基函数RBF(B站一条会说666的咸鱼)
Deep Learning 深度学习的概念源于人工神经网络的研究,含多隐层的多层感知器就是有一种深度学些的结构 ,深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征的 ...
- 灰色预测方法预测温度matlab,灰色预测matlab代码怎么写
这是我曾经写过的一个灰色预测的程序:第一个文件为函数,需要在调用时输入原始数据x0和预测周期T, 第二个文件用于计算灰色关联度,使用时直接修改相关参数和原始数据. ------------------ ...
最新文章
- Android Splash界面支持用户点击 直接进入主界面
- Python:使用ctypes库调用外部DLL 数据类型对应
- JSP页面退出时清除会话Session
- python numpy 子数组_Python快速转换numpy数组中Nan和Inf的方法实例说明
- android studio 动画效果图,Android Studio如何动画移动视图？
- Detectron：Pytorch-Caffe2-Detectron的一些跟进
- FreeSql （十八）导航属性
- linux环境编程做的是什么,Linux环境
- div设置高度 vue_VsCode常用设置（新手必备！）
- centos6.0的gnome桌面的一个大bug
- 【ArcGIS】数据属性重新赋值
- VMware系统运维（十一）部署虚拟化桌面 Horizon View 5.2 HTML ACCESS安装
- 数字图像处理报告：实验4 图像复原
- 前端常见浏览器兼容性问题解决方案
- ecshop二次开发之模板整合
- 利用pdf-poppler和printJS完成pdf批量打印
- CSP-S2020总结
- 影评 之 《血战钢锯岭》
- 刚开始学Python
- Windows必备软件，大而全｜2022版