R语言实现灰色预测模型gm11

不多说，直接上R语言代码

以后有时间再继续更新

第一个先计算关联度和关联系数

#定义成函数-------------------------------------------hsyc <- function(y, ro) {#这个函数是计算关联度和关联度系数#初始化(x <- y / y[ ,1])#求绝对差序列x0 <- x[1, ]theta <- t(abs(apply(as.matrix(x[-1, ]), 1, function(t) {t - x0})))#相关系数nieta <- (apply(theta, 1, min) + ro * rep(max(theta), each = nrow(y)-1)) / (theta + ro * rep(max(theta), each = nrow(y)-1))#关联度xgd <- apply(nieta, 1, mean)#传到listresult <- list("xgxs" = nieta, 'xgd' = xgd)print(result)}f <- hsyc(y, 0.5)
f$xgxs
f$xgd#测试方程--------------------------------------------
(y <- matrix(c(c(8, 8.8, 16, 18, 24, 32), c(10, 12.12, 19.28, 20.25, 23.4, 30.69)), byrow = TRUE, nrow = 2))
f <- hsyc(y, 0.5)(y <- matrix(c(c(8, 8.8, 16, 18, 24, 32), c(10, 12.12, 19.28, 20.25, 23.4, 30.69), c(6, 6.35, 6.57, 6.98, 8.35, 8.75)), byrow = TRUE, nrow = 3))
f <- hsyc(y, 0.5)
f$xgxs
f$xgd(y <- matrix(c(c(8, 8.8, 16, 18, 24, 32), c(10, 12.12, 19.28, 20.25, 23.4, 30.69), c(6, 6.35, 6.57, 6.98, 8.35, 8.75),c(1, 2, 3, 4, 5, 6),c(4, 5, 6, 7, 8, 9)),byrow = TRUE, nrow = 6))
f <- hsyc(y, 0.5)

第二个是写gmm11函数：这个函数还是有缺陷，以后更新

gmm11 <- function(x) {x1 <- cumsum(x)x0 <- x(b <- matrix(1, ncol = 2, nrow = length(x1)-1))for (i in seq_along(x1)-1) {b[i, 1] <- -(x1[i] + x1[i+1])/2}b(y <- x0[-1])(b_t_b <- t(b) %*% b)(b_t_b_1 <- solve(b_t_b))(b_t_y <- t(b) %*% matrix(y))(alpha_j <- b_t_b_1 %*% b_t_y)#得出预测模型(a <- alpha_j[1])(nu <- alpha_j[2])#第五步 残差检验#1 计算(x_j_1 <- (x0[1] - nu / a) * exp(- a * c(0:(length(x0)-1))) + nu / a)#---#打印公式cat("公式为:\n", "x(k+1) =", x0[1] - alpha_j[2] / alpha_j[1], "* exp(", alpha_j[1] , "* k)", alpha_j[2]/alpha_j[1], "\n")#---#2 累减lj <- function(x) {out <- array(dim = length(x))x_temp <- c(0, x)for(i in seq_along(x)) {out[i] <- x_temp[i+1] - x_temp[i]}as.numeric(out)}(x_j_0 <- lj(x_j_1))#3 计算绝对误差序列和相对误差序列(theta <- round(abs(x_j_0 - x0), 6))#保留小数点后6位(big_theta <- round(theta / x_j_0, 8))#第六步 进行关联度检验(nitheta <- (min(theta) + 0.5 * max(theta)) / (theta + 0.5 *max(theta)))# 2 关联度(r <- mean(nitheta))# 第七步 后验差检验# 1原始序列标准差(s1 <- sd(x0))# 2残差标准差(s2 <- sd(theta))# 3 计算C(c <- s2 / s1)# 4 计算小误差概率#s0没计算出来(ei <- abs(theta - mean(theta)))#第八步 预测值x_next <- (x0[1] - nu / a) * (exp(- a * (length(x0)+1)) - exp(- a * length(x0)))list(a=a, mu=nu, jdwc=theta,# 绝对误差glxs = nitheta, #关联系数r=r, #关联度c = round(c, 6), #ei = ei, #小误差概率x_next = x_next #预测值)
}#-------------------------------------------------------
#测试函数
x0 <- c(26.7, 31.5, 32.8, 34.1, 35.8, 37.5)
x0 <- runif(100)
gmm11(x0)

R语言实现灰色预测模型gm11相关推荐

R语言用灰色模型 GM (1,1)、神经网络预测房价数据和可视化
全文链接:http://tecdat.cn/?p=31938 以苏州商品房房价为研究对象,帮助客户建立了灰色预测模型 GM (1,1). BP神经网络房价预测模型,利用R语言分别实现了 GM (1,1 ...
灰色预测模型python_python实现灰色预测模型(GM11)——以预测股票收盘价为例
[TOC] 程序简介利用灰色预测GM11模型预测股票收盘价,由于灰色预测模型适合短期预测和小样本,所以程序输入数据为5个,输出为1个,进行动态建模程序输入:原序列.需要往后预测的个数程序输出:预 ...
通过R语言做灰色预测
通过R语言做灰色预测 GM(1,1)模型的定义数据的检验与处理数据的生成级比检验 GM(1,1)建模生成累加数据和均值数据构造矩阵BBB及数据向量YYY,有计算: 建立模型,求解,并还原数 ...
python灰色预测_python实现灰色预测模型(GM11)——以预测股票收盘价为例
目录程序简述利用灰色预测GM11模型预测股票收盘价,由于灰色预测模型适合短期预测和小样本,所以程序输入数据为5个,输出为1个,进行动态建模程序输入:原序列.需要往后预测的个数程序输出:预测值. ...
python财务报表预测股票价格_python实现灰色预测模型(GM11)——以预测股票收盘价为例...
原博文 2020-02-26 18:56 − [TOC] # 程序简介利用灰色预测GM11模型预测股票收盘价,由于灰色预测模型适合短期预测和小样本,所以程序输入数据为5个,输出为1个,进行动态建模 ...
R语言怎么比较两个模型C指数,手把手教你用R语言评价临床预测模型，一文就够（附代码）...
(三)Logistic回归模型评价: 在常用的临床模型构建中,主要分为两种,包括临床预测模型(Cox回归模型)和临床诊断模型(Logstic回归模型).在之前的内容中,阿琛给大家介绍了如何使用Nomo ...
R语言ggplot2可视化分面图（facet_wrap）、使用size参数自定义设置分面图标签栏（灰色标签栏）中的标签文本的字体大小
R语言ggplot2可视化分面图(facet_wrap).使用size参数自定义设置分面图标签栏(灰色标签栏)中的标签文本的字体大小目录
R语言ggplot2可视化分面图（facet_grid）、自定义设置分面图标签栏的背景色（默认背景色为灰色）
R语言ggplot2可视化分面图(facet_grid).自定义设置分面图标签栏的背景色(默认背景色为灰色) 目录
R语言使用caretEnsemble包的caretStack函数把多个机器学习模型融合成一个模型、构建融合（集成）预测模型、使用融合模型进行预测推理
R语言使用caretEnsemble包的caretStack函数把多个机器学习模型融合成一个模型.构建融合(集成)预测模型.自定义融合模型的trainControl参数.method参数.评估指标参数 ...

R语言实现灰色预测模型gm11

R语言实现灰色预测模型gm11相关推荐

最新文章

热门文章