python灰色预测法的具体使用

更新时间：2022年03月04日 09:32:09 作者：洋洋菜鸟

灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，本文就介绍了python灰色预测法的具体使用，具有一定的参考价值，感兴趣的可以了解一下

1.简介

灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。

灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。

2.算法详解

2.1 生成累加数据

2.2 累加后的数据表达式

2.3 求解2.2的未知参数

3.实例分析

现有1997—2002年各项指标相关统计数据如下表：

年份	第一产业 GDP	消费价格指数	第三产业 GDP
1997	72.03	241.2	1592.74
1998	73.84	241.2	1855.36
1999	74.49	244.8	2129.60
2000	76.68	250.9	2486.86
2001	78.00	250.9	2728.94
2002	79.68	252.2	3038.90

用灰色预测方法预测2003—2009年各项指标的数据。且已知实际的预测数据如下：将预测数据与实际数据进行比较

年份	第一产业GDP	居民消费价格指数	第三产业GDP
2003	81.21	256.5	3458.05
2004	82.84	259.4	3900.27
2005	84.5	262.4	4399.06
2006	86.19	265.3	4961.62
2007	87.92	268.3	5596.13
2008	89.69	271.4	6311.79
2009	91.49	274.5	7118.96

3.1 导入数据

#原数据
data=np.array([[72.03,241.2,1592.74],[73.84,241.2,1855.36],[74.49,244.8,2129.60],[76.68,250.9,2486.86],[78.00,250.9,2728.94],[79.68,252.2,3038.90]])
#要预测数据的真实值
data_T=np.array([[81.21,256.5,3458.05],[82.84,259.4,3900.27],[84.5,262.4,4399.06],[86.19,265.3,4961.62],[87.92,268.3,5596.1],[89.69,271.4, 6311.79],[91.49,274.5,7118.96]])

返回结果，请自行打印查看

3.2 进行累加数据

#累加数据
data1=np.cumsum(data.T,1) #按列相加
print(data1)

[m,n]=data1.shape #得到行数和列数 m=3,n=6
#对这三列分别进行预测
X=[i for i in range(1997,2003)]#已知年份数据
X=np.array(X)
X_p=[i for i in range(2003,2010)]#预测年份数据
X_p=np.array(X_p)
X_sta=X[0]-1#最开始参考数据
#求解未知数
for j in range(3):
    B=np.zeros((n-1,2))
    for i in range(n-1):
        B[i,0]=-1/2*(data1[j,i]+data1[j,i+1])
        B[i,1]=1
    Y=data.T[j,1:7]
    a_u=np.dot(np.dot(np.linalg.inv(np.dot(B.T,B)),B.T),Y.T)
    print(a_u)
    #进行数据预测
    a=a_u[0]
    u=a_u[1]

得到3对 a和u

3.4 预测数据及对比

需在3.3的基础上进行预测

[m,n]=data1.shape #得到行数和列数 m=3,n=6
#对这三列分别进行预测
X=[i for i in range(1997,2003)]#已知年份数据
X=np.array(X)
X_p=[i for i in range(2003,2010)]#预测年份数据
X_p=np.array(X_p)
X_sta=X[0]-1#最开始参考数据
#求解未知数
for j in range(3):
    B=np.zeros((n-1,2))
    for i in range(n-1):
        B[i,0]=-1/2*(data1[j,i]+data1[j,i+1])
        B[i,1]=1
    Y=data.T[j,1:7]
    a_u=np.dot(np.dot(np.linalg.inv(np.dot(B.T,B)),B.T),Y.T)
#     print(a_u)
    #进行数据预测
    a=a_u[0]
    u=a_u[1]
    T=[i for i in range(1997,2010)]
    T=np.array(T)
    data_p=(data1[0,j]-u/a)*np.exp(-a*(T-X_sta-1))+u/a #累加数据
#     print(data_p)
    data_p1=data_p
    data_p1[1:len(data_p)]=data_p1[1:len(data_p)]-data_p1[0:len(data_p)-1]
#     print(data_p1)
    title_str=['第一产业GDP预测','居民消费价格指数预测','第三产业GDP预测']
    plt.subplot(221+j)
    data_n=data_p1
    plt.scatter(range(1997,2003),data[:,j])
    plt.plot(range(1997,2003),data_n[X-X_sta])
    plt.scatter(range(2003,2010),data_T[:,j])
    plt. plot(range(2003,2010),data_n[X_p-X_sta-1])
#     plt.title(title_str[j])
    plt.legend(['实际原数据','拟合数据','预测参考数据','预测数据'])
    y_n=data_n[X_p-X_sta-1].T
    y=data_T[:,j]
    wucha=sum(abs(y_n-y)/y)/len(y)
    titlestr1=[title_str[j],'预测相对误差：',wucha]
    plt.title(titlestr1)
    plt.show()

完整代码

import numpy as np
import matplotlib.pyplot as plt
import math
 
# 解决图标题中文乱码问题
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
 
#原数据
data=np.array([[72.03,241.2,1592.74],[73.84,241.2,1855.36],[74.49,244.8,2129.60],[76.68,250.9,2486.86],[78.00,250.9,2728.94],[79.68,252.2,3038.90]])
#要预测数据的真实值
data_T=np.array([[81.21,256.5,3458.05],[82.84,259.4,3900.27],[84.5,262.4,4399.06],[86.19,265.3,4961.62],[87.92,268.3,5596.1],[89.69,271.4, 6311.79],[91.49,274.5,7118.96]])
 
#累加数据
data1=np.cumsum(data.T,1)
print(data1)
 
[m,n]=data1.shape #得到行数和列数 m=3,n=6
#对这三列分别进行预测
X=[i for i in range(1997,2003)]#已知年份数据
X=np.array(X)
X_p=[i for i in range(2003,2010)]#预测年份数据
X_p=np.array(X_p)
X_sta=X[0]-1#最开始参考数据
#求解未知数
for j in range(3):
    B=np.zeros((n-1,2))
    for i in range(n-1):
        B[i,0]=-1/2*(data1[j,i]+data1[j,i+1])
        B[i,1]=1
    Y=data.T[j,1:7]
    a_u=np.dot(np.dot(np.linalg.inv(np.dot(B.T,B)),B.T),Y.T)
#     print(a_u)
    #进行数据预测
    a=a_u[0]
    u=a_u[1]
    T=[i for i in range(1997,2010)]
    T=np.array(T)
    data_p=(data1[0,j]-u/a)*np.exp(-a*(T-X_sta-1))+u/a #累加数据
#     print(data_p)
    data_p1=data_p
    data_p1[1:len(data_p)]=data_p1[1:len(data_p)]-data_p1[0:len(data_p)-1]
#     print(data_p1)
    title_str=['第一产业GDP预测','居民消费价格指数预测','第三产业GDP预测']
    plt.subplot(221+j)
    data_n=data_p1
    plt.scatter(range(1997,2003),data[:,j])
    plt.plot(range(1997,2003),data_n[X-X_sta])
    plt.scatter(range(2003,2010),data_T[:,j])
    plt. plot(range(2003,2010),data_n[X_p-X_sta-1])
#     plt.title(title_str[j])
    plt.legend(['实际原数据','拟合数据','预测参考数据','预测数据'])
    y_n=data_n[X_p-X_sta-1].T
    y=data_T[:,j]
    wucha=sum(abs(y_n-y)/y)/len(y)
    titlestr1=[title_str[j],'预测相对误差：',wucha]
    plt.title(titlestr1)
    plt.show()

到此这篇关于python灰色预测法的具体使用的文章就介绍到这了,更多相关python灰色预测法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

Selenium Webdriver元素定位的八种常用方式(小结)
这篇文章主要介绍了Selenium Webdriver元素定位的八种常用方式(小结)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-01-01
python3中确保枚举值代码分析
在本篇文章里小编给大家整理的是一篇关于python3中确保枚举值代码分析内容，有兴趣的朋友们可以学习下。
2020-12-12
Python 模块EasyGui详细介绍
这篇文章主要介绍了Python 模块EasyGui详细介绍的相关资料,需要的朋友可以参考下
2017-02-02
python retrying模块的使用方法详解
这篇文章主要介绍了python retrying模块的使用方法详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2019-09-09
Python爬虫之爬取我爱我家二手房数据
我爱我家的数据相对来说抓取难度不大,基本无反爬措施. 但若按照规则构造页面链接进行抓取,会出现部分页面无法获取到数据的情况.在网上看了几个博客,基本上都是较为简单的获取数据,未解决这个问题,在实际应用中会出错,本文有非常详细的代码示例,需要的朋友可以参考下
2021-05-05
Python第三方模块apscheduler安装和基本使用
本文主要介绍了Python第三方模块apscheduler安装和基本使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2023-03-03
pycharm修改文件的默认打开方式的步骤
在本篇文章里小编给大家整理了关于pycharm修改文件的默认打开方式的步骤以及相关知识点，需要的朋友们学习下。
2019-07-07
Python缺少库IPython的解决办法步骤
在使用Python编写程序过程中,有时我们会遇到一些错误信息,提示我们当前环境缺少某些依赖库文件,这篇文章主要给大家介绍了关于Python缺少库IPython的解决办法步骤,需要的朋友可以参考下
2023-12-12
python利用Excel读取和存储测试数据完成接口自动化教程
这篇文章主要介绍了python利用Excel读取和存储测试数据完成接口自动化教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-04-04
python tkinter组件使用详解
这篇文章主要介绍了python tkinter组件使用详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2019-09-09