ARIMA-GRNN模型的发病率预测GUI：基于Matlab编写（GRNN部分）
1.界面
1.1 ARIMA拟合值 输入由ARIMA模型所取得的拟合值，如图一。
1.2实际值 输入与ARIMA拟合值对应的实际值。
1.3 寻找最优光滑因子界面
1.3.1 ARIMA拟合值 输出随机抽样的2个样本的ARIMA拟合值。
1.3.2 实际值 输出随机抽样的2个样本的实际值，与ARIMA拟合值对应。
1.3.3 最优光滑因子 输出最优光滑因子。
1.3.4 最小RMSE值 输出在最优光滑因子下模型的预测误差（RMSE值）。
1.3.5 寻找 点击后输出以上四个数值，并以图表显示光滑因子从0.001到5（步长为0.001）模型的预测误差（RMSE值）。
1.4 组合模型预测界面
1.4.1 ARIMA预测值 输入ARIMA预测值。
1.4.2 实际值 输入实际值。注意，如果是为了认证模型精度，则输入对应的实际值；如果是用于预测，则全部填0，个数必须与ARIMA预测值一致。此时下面的预测精度没有参考意义。
1.4.2 预测误差 MAE 输出模型拟合的平均绝对误差；
MAPE 输出模型拟合的平均相对误差；
MSE 输出模型拟合的均方误差；
RMSE 输出模型拟合的均方根误差。
1.4.3 预测 点击后输出预测误差，并以图表显示预测值与实际值的曲线图。
GUI下载地址
参考论文地址
2.实例演示
某县肝炎月发病率数据，经过ARIMA模型预测：
拟合值=[ 11.0949 10.1789 9.4661 10.0071 9.6240 9.0356 8.6444 8.0778 10.2420 8.9781 6.7481 11.5618 8.7741 10.6194 10.6226 11.1900 10.9352 11.0930 10.8771 9.3720 12.1692 11.0099 8.8911 16.3003 11.6019 15.2327 10.7194 12.7446 11.1373 10.2123 10.5788 8.8655 12.1859 9.0655 7.6693 15.6150 11.0645 14.6859 11.6246 11.3404 11.8955 11.4558 11.0134 9.6445 13.3129 9.4631 9.2110 18.2545 13.2275 14.3209 11.6632 12.2775 11.0787 9.9194 11.0299 10.1717 12.3242 8.9400 9.8717 17.8065 13.4823 14.3741 10.4585 13.8420 10.8867 9.9488 11.3834 9.9746 12.3888 9.9439 9.6062]
对应的实际值=[ 10.9257 10.4921 8.9313 10.3187 9.0180 8.6712 8.4110 7.5439 9.5383 7.5439 6.4167 10.7239 7.7212 12.8687 11.4961 11.3245 11.3245 10.2950 10.8097 9.6087 13.1261 9.9518 8.4076 18.7771 16.9079 12.9146 11.1303 10.8754 8.4964 8.6663 8.4964 8.5814 9.2611 6.9671 8.0716 16.2429 12.7445 13.0776 9.1627 11.8282 12.5779 10.4954 9.7458 10.2455 10.9952 9.9124 9.4959 15.4457 13.3808 13.2982 11.1507 12.1418 9.3335 11.1507 11.1507 11.0681 10.9029 10.2421 9.3335 15.1027 13.1220 11.8016 12.4618 10.8112 8.3354 11.6365 9.6558 11.3064 12.0491 9.6558 12.0491]
预测值=[ 18.9834 14.5431 14.4035 12.0812 13.0326 11.0072 11.9649 11.4831 11.6882 12.3038 10.7863 10.5662]
对应的实际值=[ 15.3756 12.3166 14.4901 11.4311 11.8336 9.6601 11.5921 11.2701 11.1091 11.0286 10.3041 12.0751]
2.1 输入ARIMA拟合值和实际值，点击寻找，如图二。
2.2 输出随机抽取的2对ARIMA拟合值以及对应的实际值，最优光滑因子以及最小RMSE值。并以图表显示光滑因子从0.001到5（步长为0.001）模型的预测误差（RMSE值），如图三。
2.3 输入ARIMA预测值以及对应的实际值，这里我们是在认证模型精度，故实际值已知，如图四。若用于预测，则实际值是不知道的，需填入12个0，如图五。
2.4 点击预测，输出预测误差，并以图表显示预测值与实际值的曲线图，如图六。若用于预测，则输出的预测误差没有参考意义，如图七。
ARIMA-GRNN模型的发病率预测GUI：基于Matlab编写（GRNN部分）相关推荐
- ARIMA-GRNN模型的发病率预测GUI：基于Matlab编写（ARIMA部分）
该软件首先通过经典的ARIMA模型得出初步的预测数值,生成绝对误差序列,然后输入GRNN模型得出预测的绝对误差数值,最后通过反算生成最终预测数值. 第一步.Matlab支持插件的安装 1. 双击MCR ...
- 【电力预测】基于matlab GUI灰色模型电力负荷预测【含Matlab源码 769期】
一.获取代码方式 获取代码方式1: 完整代码已上传我的资源: [电力负荷预测]基于matlab GUI灰色模型电力负荷预测[含Matlab源码 769期] 获取代码方式2: 通过订阅紫极神光博客付费专 ...
- 【水位预测】基于matlab径向基神经网络地下水位预测【含Matlab源码 1939期】
一.获取代码方式 获取代码方式1: 完整代码已上传我的资源:[水位预测]基于matlab径向基神经网络地下水位预测[含Matlab源码 1939期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方 ...
- 【价格预测】基于matlab时间序列股票价格预测【含Matlab源码 450期】
一.获取代码方式 获取代码方式1: 完整代码已上传我的资源: [价格预测]基于matlab时间序列股票价格预测[含Matlab源码 450期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2: ...
- 【风电功率预测】基于matlab帝国殖民竞争算法优化BP神经网络风电功率预测【含Matlab源码 1314期】
⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源: [风电功率预测]基于matlab帝国殖民竞争算法优化BP神经网络风电功率预测[含Matlab源码 1314期] ⛄二.帝国殖民竞争算法简 ...
- 【电力负荷预测】基于matlab BP神经网络电力负荷预测【含Matlab源码 278期】
⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源: [电力负荷预测]基于matlab BP神经网络电力负荷预测[含Matlab源码 278期] 获取代码方式2: 付费专栏Matlab智能算 ...
- 【停车位预测】基于matlab BP神经网络停车位预测【含Matlab源码 765期】
⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源:[停车位预测]基于matlab BP神经网络停车位预测[含Matlab源码 765期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方 ...
- 【股价预测】基于matlab SVM股票价格预测【含Matlab源码 180期】
一.获取代码方式 获取代码方式1: 完整代码已上传我的资源:[股价预测]基于matlab SVM股票价格预测[含Matlab源码 180期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2: ...
- 太阳黑子预测：基于MATLAB的变化规律仿真分析
太阳黑子预测:基于MATLAB的变化规律仿真分析 太阳黑子是太阳表面大约11年一个周期的磁活动表现,它们的变化具有一定的周期性和不确定性.由于太阳黑子活动与许多自然现象相关,如电离层扰动和地球磁暴等, ...
最新文章
- 用户管理系统控制台版连接数据库
- 多数编程语言里的0.1+0.2≠0.3?
- 傅盛：AI是企业弯道超车的机会，大家在同一起跑线上
- B.Sport Mafia
- mysql 运行 sql 脚本
- （数据结构与算法）数组模拟队列和环形队列
- [html] 在两个iframe之间传递参数的方法有哪些？
- 前端学习（2220）：react之jsx的样式小案例
- Android环境配置
- Hibernate之Hello World篇
- 行程编码（atoi函数）
- LM NTLM ophcrack RainBow table （转）
- 2018-2019互联网大厂算法/深度学习/NLP面试笔记
- Windows下配置nginx+php(wnmp)
- script setup 影响methods选项导出函数
- SWF怎么转换AVI视频格式呢？
- Multisim软件实验
- 夏普电视服务器维修,夏普液晶电视机通病维修方法
- ITIL学习笔记——核心流程之：配置管理
- HTML与CSS的使用与总结