灰色预测模型python完整代码

原创

mob64ca12ec3a08 2024-11-28 06:12:37 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12ec3a08的原创作品，请联系作者获取转载授权，否则将追究法律责任

灰色预测模型及其Python实现

引言

随着数据科学的发展，预测模型在各行各业中扮演着越来越重要的角色。灰色预测模型（Grey Prediction Model, 笔者使用的方法为GM(1,1)）是一种基于少量数据进行建模的预测方法，特别适用于数据变化不规律的情况。本文将介绍灰色预测模型的原理、应用及其Python实现，包括一个具体的代码示例。

什么是灰色预测模型？

灰色预测模型是由中国学者邓聚龙在1980年代提出的。该模型在信息不完全、样本量较小的情况下，可以通过建立差分方程来进行时间序列预测。灰色系统的基本思想是通过“灰色”与“白色”信息的关系进行有效的预测。

灰色模型的主要优势在于：

能够处理不完整、不确定的数据。
适合小样本数据的预测。
模型相对简单、易于理解。

灰色预测模型的原理

以GM(1,1)为例，其中“1,1”代表一个一阶微分方程和一个待预测变量。这一模型包括以下几个步骤：

数据预处理：对原始数据进行累加生成（AGO），形成新的数据序列。
建立模型：通过建立一阶微分方程来描述数据变化规律。
参数估计：通过最小二乘法对模型参数进行估计。
模型预测：利用建立好的模型进行未来值的预测。
结果分析：对预测结果进行分析和检验。

下面我们使用Python代码实现上述步骤。

Python代码示例

以下是一个完整的灰色预测模型的Python实现代码。

import numpy as np
import matplotlib.pyplot as plt

def cumulate(data):
    """累加生成"""
    return np.cumsum(data)

def build_model(data):
    """建立灰色模型并预测"""
    n = len(data)
    # 计算累加生成序列
    x0 = np.array(data)
    x1 = cumulate(x0)
    
    # 计算参数
    b = -0.5 * (x1[:-1] + x1[1:])
    A = np.vstack([-x1[:-1], np.ones(n-1)]).T
    Y = x0[1:]

    # 最小二乘法计算参数a和b
    [[a], [b]] = np.linalg.inv(A.T @ A) @ A.T @ Y
    return a, b

def predict(a, b, data, N):
    """根据模型参数进行预测"""
    predictions = []
    x1_0 = data[0]  # 第一个观察值
    for k in range(N):
        x1_k = (x1_0 - b/a) * np.exp(-a * (k + 1))
        predictions.append(x1_k)
    return predictions

# 示例数据
data = [10, 12, 13, 16, 18]
a, b = build_model(data)

# 进行未来5个时间段的预测
N = 5
predictions = predict(a, b, data, N)

# 可视化结果
plt.plot(range(1, len(data) + 1), data, 'ro-', label='原始数据')
plt.plot(range(len(data) + 1, len(data) + N + 1), predictions, 'bs-', label='预测数据')
plt.xlabel('时间')
plt.ylabel('数据值')
plt.legend()
plt.title('灰色预测模型')
plt.show()

这段代码展示了如何实现灰色预测模型，包括累加生成、模型建立和预测步骤。代码中的数据部分可以替换为实际的时间序列数据，模型参数会自动调整。

数据可视化

在上面的代码示例中，我们使用Matplotlib库绘制了灰色预测模型的原始数据和预测数据的图形。通过使用红色圆点表示原始数据，用蓝色方块表示预测数据，我们可以直观地看到预测的效果。

sequenceDiagram
    participant User
    participant Model
    participant Output

    User->>Model: 提供原始数据
    Model->>Model: 进行数据预处理
    Model->>Model: 建立灰色模型
    Model->>Output: 返回预测结果

应用场景

灰色预测模型在许多领域都有实际应用，例如：

经济预测：如GDP、CPI等宏观经济指标。
销售预测：企业可以用其预测产品的销量。
环境科学：对气候变化等进行趋势预测。
工程技术：项目进度的监控与资源调配。

结论

灰色预测模型是一种实用而有效的预测工具，尤其适合于数据量较小或信息不完善的情况。通过Python的实现，我们可以方便地应用这一模型进行各种实际问题的预测。希望本文能够帮助你更好地理解灰色预测模型，并在实际操作中加以运用。

journey
    title 旅行中使用灰色预测模型
    section 规划路线
      用灰色模型预测旅行成本: 5: User
    section 预测结果
      根据预测结果调整预算: 3: User
    section 行程执行
      实际支出跟踪: 4: User

通过这样的方式，读者可以更好地理解“旅行”的过程，同时深化对于灰色预测模型的应用认识。希望本文能成为你探索和应用灰色预测模型的起点。