某市财政收入预测分析:GM模型+神经网络

01案例 - 财政收入影响因素分析及预测模型 结合某市地方财政收入进行预测的案例,介绍原始数据的相关性分析、特征的选取、后见灰色预测和支持向量回归预测模型以及模型的评价 阅读详情
# from numpy.random import seed
# seed(1)
# import tensorflow
# tensorflow.random.set_seed(2) 

import numpy as np
import pandas as pd
data = pd.read_excel("",index=False) #指定文件路径
data1 = data.iloc[:-1,1:14]
data1

在这里插入图片描述

#描述性分析
r = [data1.min(),data1.max(),data1.mean(),data1.std()]
#r
r = pd.DataFrame(r,index=['MIN','MAX','MEAN','STD']).T
np.round(r,2)

在这里插入图片描述

#相关性分析
data2 = data.iloc[:-1,1:]
data2 = pd.DataFrame(data2)
np.round(data2.corr(method='pearson'),2)

在这里插入图片描述

x11相关性很低,可以考虑舍去

#标准化
import math
data3 = pd.DataFrame(data2,dtype=np.float)
dataNM = (data3-data3.min())/(data3.max()-data3.min())
#dataNM
#绘制折线图
from matplotlib import pyplot
import matplotlib.pyplot as plt

#x = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]

dataNM.plot()
plt.legend(loc='lower right',bbox_to_anchor=(1.2, -0.3),ncol=7)
plt.figure(figsize=(10,10))

在这里插入图片描述

#Lasso变量选择
from sklearn.linear_model import Lasso
model=Lasso()
model.fit(data2.iloc[:,0:13],data2['y'])
q = model.coef_#各特征系数
q = pd.DataFrame(q,index=['x1','x2','x3','x4','x5','x6','x7','x8','x9','x10','x11','x12','x13']).T
np.round(q,4)

在这里插入图片描述

x12系数为0,所以舍去的变量应该是x12

# GM模型,预测
def GM11(x0): #自定义灰色预测函数
    import numpy as np
    x1 = x0.cumsum() #1-AGO序列
    x1 = pd.DataFrame(x1)
    z1 = (x1 + x1.shift())/2.0 #紧邻均值(MEAN)生成序列
    z1 = z1[1:].values.reshape((len(z1)-1,1))  # 转成矩阵
    B = np.append(-z1, np.ones_like(z1), axis = 1)  # 列合并-z1和形状同z1的1值矩阵  19X2
    Yn = x0[1:].reshape((len(x0)-1, 1))  # 转成矩阵 19
    [[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Yn) #计算参数,基于矩阵运算,np.dot矩阵相乘,np.linalg.inv矩阵求逆
    f = lambda k: (x0[0]-b/a)*np.exp(-a*(k-1))-(x0[0]-b/a)*np.exp(-a*(k-2)) #还原值
    delta = np.abs(x0 - np.array([f(i) for i in range(1,len(x0)+1)]))  # 残差绝对值序列
    C = delta.std()/x0.std()
    P = 1.0*(np.abs(delta - delta.mean()) < 0.6745*x0.std()).sum()/len(x0)
    return f, a, b, x0[0], C, P #返回灰色预测函数、a、b、首项、方差比、小残差概率

#x0=data_1['x3'][:-2].values



l=['x1','x2','x3','x4','x5','x6','x7','x8','x9','x10','x11','x13','y']
data4=data2[l].copy()
data4.index=range(1996,2017)
data4.loc[2017]=None
data4.loc[2018]=None  # 添加预测行
#data2.loc[2018]=None

for i in l:  # 列计算,预测每列2016、2017预测值
    f=GM11(data4[i][:-2].values)[0]  # 利用返回的灰色预测函数,仅和对对应期数及位置有关
    data4[i][2017]=f(len(data4)-1)
    data4[i][2018]=f(len(data4))
    #data2[i][2018]=f(len(data2))
    data4[i]=data4[i].round(2)
print(data4)

在这里插入图片描述

x变量预测的还能接受,但y变量出入太大了,所以选择神经网络模型预测y值

#神经网络预测模型
feature=['x1','x2','x3','x4','x5','x6','x7','x8','x9','x10','x11','x13']#特征所在列
data_train = data.iloc[:-1,1:]
data_pre = data4.iloc[:,:14]


data_mean = data_train.mean()
data_std = data_train.std()
data_train = (data_train-data_train.mean())/data_std #数据标准化

x_train = data_train[feature].as_matrix() #特征数据
y_train = data_train['y'].as_matrix() #标签数据

from keras.models import Sequential
from keras.layers.core import Dense,Activation

model = Sequential() #建立模型
model.add(Dense(input_dim=12,output_dim=12))
model.add(Activation('relu')) #激活函数
model.add(Dense(input_dim=12,output_dim=1))
model.compile(loss='mean_squared_error',optimizer='adam') #编译模型,目标函数是均方差
model.fit(x_train,y_train,nb_epoch=10000,batch_size=16) #训练模型

#预测还原结果
x = ((data_pre[feature]-data_mean[feature])/data_std[feature]).as_matrix()
data_pre[u'y_pred'] = model.predict(x)*data_std['y']+data_mean['y']

训练花费的时间较长

#画出预测图
import matplotlib.pyplot as plt
p=data_pre[['y','y_pred']].plot(subplots=True,style=['b-o','r-*'])
plt.show()

在这里插入图片描述

data_pre[['y','y_pred']].plot()

在这里插入图片描述

data_pre

在这里插入图片描述

#导出数据

#xlsx = r"C:\Users\18703\Desktop\天津市财政收入预测模型" + '预测结果' + 'xlsx'
data_pre.to_excel('预测.xlsx')
基于人口普查数据的收入预测模型构建及比较分析(Python数据分析分类器模型实践) 收入是反映人民生活水平和国家经济发展状况的重要指标,改善收入水平,提高生活质量是各国政府和人民共同的奋斗目标。探索收入的影响因素,不仅对国家具有重要意义,对个人提升自我,企业识别目标消费群体也具有重要的参考价值。为了研究年龄、受教育程度、职业等诸多因素对个体收入的影响,本文以UCI Machine Learning Repository网站提供的人口普查数据作为数据样本,遵循CRISP-DM的数据挖掘流程,对数据中可能存在的规律进行探索和分析,构建决策树、Logistic回归、K近邻、线性支持向量机、随机森 阅读详情

相关推荐

【预测模型】GM模型的房价预测

其中,第二个参数表示输入数据,这里只使用历史房价数据进行预测;第三个参数表示输出数据,为空,表示不需要输出;第四个参数表示使用GM模型进行预测;第五个参数[1 1]表示采用GM(1,1)模型;其中,根据输入变量(如房屋面积、装修情况、地理位置等)来预测房价的模型有很多,其中GM(Grey Model)模型是一种基于灰色系统理论的模型,它通过对少量数据进行处理,可以预测未来长期的趋势和短期的波动。可以将模型预测与实际房价数据进行比较,以评估模型的准确性,并对模型进行调整。函数对数据进行预测。

Fanjufei的博客 765

营收与预测:线性回归建立预测收入水平的线性回归模型。

获取数据 特征含义、 ## 获取数据 from sklearn.linear_model import LinearRegression from sklearn.metrics import r2_score import statsmodels.api as sm #是 Python 中一个强大的统计分析包,包含了回归分析、时间序列分析、假设检验等等的功能 import numpy as np import pandas as pd import matplotlib.pyplot as plt d

qq_45531594的博客 5199

【深度学习实验】第二次:Python财政收入影响因素分析及预测

设变量$X^{(0)}=\{X^{(0)}(i),i=1,2,...,n\}$为一非负单调原始数据序列,建立灰色预测模型:首先对$X^{(0)}$进行一次累加得到一次累加序列$X^{(1)}=\{X^{(1)}(K),k=1,2,...,n\}$。对 $X^{(1)}$可建立下述一阶线性微分方程:

远 2386

python 数据分析实践--(1)收入预测分析

这里写目录标题说明:1. 预览数据集,明确分析目的2. 导入数据集,预处理数据3. 探索数据背后的特征3.1 数值型变量统计描述3.2 离散型变量统计描述3 .3 了解数据的分布形状4. 数据建模4.1 对离散变量重编码4.2 拆分数据集4.3 搭建模型4.4 模型网格搜索法,探寻模型最佳参数4.5 模型预测与评估4.5.1 K近邻模型在测试集上的预测4.5.2 K近邻网格搜索模型在测试集上的预测...

一颗青梅换你一壶老酒 1万+

别再死记硬背了!用MaxDEA软件实操SBM、DDF、NDDF模型,手把手教你测算绿色全要素生产率

本文深度解析如何使用MaxDEA软件实操SBM、DDF、NDDF模型,手把手教你测算绿色全要素生产率(GTFP)。通过详细的模型选择对比、数据准备策略和MaxDEA操作流程,帮助研究者科学构建指标体系并准确解读结果,提升环境管理研究的实证分析能力。

weixin_28731231的博客 316

华为昇腾NPU环境搭建:torch-npu安装避坑指南(附常见错误解决方案)

本文详细解析了在华为昇腾NPU环境中安装torch-npu适配包的全流程与核心要点。从基础环境准备、严格的版本匹配策略,到针对‘RuntimeError: NPU error’、‘ImportError: libxxx.so’等高频错误的深度解析与解决方案,提供了一份实用的避坑指南,旨在帮助开发者高效搭建稳定的PyTorch开发环境。

weixin_29094979的博客 414

数据分析与挖掘实战-财政收入影响因素分析及预测模型

财政收入影响因素分析及预测模型。

周先森爱吃素的博客 8619

使用python获取同花顺免费版和同花顺远航版自选股数据用于量化交易

在做量化交易时,有时需要在盘中实时监控同花顺自选股的数量,以便灵活地自定义提醒、捕捉买卖时点等。那么,如何使用python获取同花顺自选股数据呢?

tzzqn2008的专栏 3687

Python:Lasso方法、GM预测模型、神经网络预测模型之财政收入影响因素分析及预测...

问题重述 通过研究,发现影响某市目前及未来地方财源的因素。结合文中目标:(1)选择模型,找出影响财政收入的关键因素;(2)基于关键因素,选择预测方法、模型预测未来收入。 具体来讲 本文分析了地方财政收入、增值税收入、营业税收入、企业所得税收入、个人所得税收入的影响因素并对未来两年采用灰色预测(GM(1,1))并以已有年度序列训练神经网络(NN),再以得到的模型预测包括未来两年在内的所有年份收...

weixin_30561425的博客 2813

Jacobi正交多项式在数值分析中的应用与实现

本文深入探讨了Jacobi正交多项式在数值分析中的核心应用与实现。作为最通用的正交多项式族,Jacobi多项式通过参数α和β的调节,可退化为切比雪夫、勒让德等经典多项式,为函数逼近、奇异积分和微分方程求解提供了统一框架。文章重点解析了其在加权高斯积分(高斯-雅可比积分)和谱方法求解微分方程中的关键作用,并提供了基于递归关系和SciPy的稳定高效实现方案,帮助读者掌握这一强大的数值计算工具。

weixin_29306011的博客 248

告别城市峡谷定位漂移:手把手教你用PSINS仿真INS/NHC/ODO组合导航(附代码获取)

本文详细解析了INS/NHC/ODO组合导航系统在城市峡谷环境中的应用,通过PSINS平台实现精准定位。文章涵盖核心原理、环境搭建、算法实现及性能优化,帮助开发者解决GNSS信号中断时的定位漂移问题,提升自动驾驶系统在复杂环境中的可靠性。

weixin_30329623的博客 430

python财政收入预测分析_Python:Lasso方法、GM预测模型、神经网络预测模型之财政收入影响因素分析及预测...

问题重述通过研究,发现影响某市目前及未来地方财源的因素。结合文中目标:(1)选择模型,找出影响财政收入的关键因素;(2)基于关键因素,选择预测方法、模型预测未来收入。具体来讲本文分析了地方财政收入、增值税收入、营业税收入、企业所得税收入、个人所得税收入的影响因素并对未来两年采用灰色预测(GM(1,1))并以已有年度序列训练神经网络(NN),再以得到的模型预测包括未来两年在内的所有年份收入的预测值,...

weixin_39795419的博客 1329

vSphere环境证书更新/续订案例及注意事项

早期VMware的用户随后“十年之期”已到,陆陆续续出现各种登录问题,证书报错告警等,主要包含6.5到7.0的版本,VMware服务器虚拟化环境涉及的证书及类型较多,在实际更新中会出现各种奇怪的问题,有些坑耗费了大量的troubleshooting时间,极端情况下一天能看到十多遍如下报错😂本文整理了一个近期的更新案例,以及之前处理过的一些问题,仅作参考CA根证书颁发机构,用于签发其他组件的证书,其他证书的有效期不会超过根证书。

RaySun的技术Blog 3208

python模型预测_Python:Lasso方法、GM预测模型、神经网络预测模型之财政收入影响因素分析及预测...

问题重述通过研究,发现影响某市目前及未来地方财源的因素。结合文中目标:(1)选择模型,找出影响财政收入的关键因素;(2)基于关键因素,选择预测方法、模型预测未来收入。具体来讲本文分析了地方财政收入、增值税收入、营业税收入、企业所得税收入、个人所得税收入的影响因素并对未来两年采用灰色预测(GM(1,1))并以已有年度序列训练神经网络(NN),再以得到的模型预测包括未来两年在内的所有年份收入的预测值,...

weixin_39596090的博客 791

1.4 点云数据获取方式——结构光相机

与此同时,利用相机从特定角度捕捉变形后的图案,基于三角测量原理,通过精确计算相机与投影仪之间的几何关系以及图案的变形程度,就能准确计算出物体表面各点的三维坐标,从而获取高精度的三维点云数据。在高端制造业中,对于微小零部件的尺寸测量和缺陷检测,结构光相机能够提供极其精确的数据,确保产品质量符合严格的标准。时序编码:这类相机通过序列投射多幅不同图案,如格雷码、相移条纹等,通过对这一系列图案的时间序列进行解码分析,就能够获取亚像素级精度的三维信息,其单点误差能够控制在≤0.1mm,展现出极高的测量精度。

qq625924821的博客 925

【STK】手把手教你利用STK进行导弹和反导仿真02 - STK/MMT模块01 导弹任务分析工具概述

种工具:导弹设计工具(Missile Design Tool,MDT )、导弹飞行工具(Missile Flight Tool,截弹,或者用内置拦截弹编辑器创建的个性化的拦截弹, IFT 能够对 ―一对一 ‖动能拦截。导设置系统参数, 并对其有效性进行验证, 画性能图,保证该设计是可行的。(SAIC)公司联合开发研制,极大扩展了 STK 原有的导弹对象的功能,能够精确仿真。IFT 能够对拦截飞机、 导弹、卫星等目标进行仿真和分析。(2)推进系统参数,包括推力,比冲,秒流量,推力持续时间,喷嘴出口面积,

weixin_44184852的博客 1884

数据挖掘实战分享:财政收入影响因素分析及预测(四)

使用MLP算法实现对本案例的财政收入预测,并与支持向量机回归模型的预测效果进行对比。

tipdm0526的博客 3399

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

灰色神经网络的预测算法_财政收入影响因素分析及预测模型(四)

本文为泰迪学院最新推出的数据挖掘实战专栏第三篇,本专栏将数据挖掘理论与项目案例实践相结合,可以让大家获得真实的数据挖掘学习与实践环境,更快、更好的学习数据挖掘知识与积累职业经验。 专栏中每四篇文章为一个完整的数据挖掘案例。案例介绍顺序为:先由数据案例背景提出挖掘目标,再阐述分析方法与过程,最后完成模型构建,在介绍建模过程中同时穿插操作训练,把相关的知识点嵌入相应的操作过程中。 ...

weixin_39587822的博客 2294

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

学习笔记:【案例】财政收入影响因素分析及预测模型

案例来源:《Python数据分析与挖掘实战》第13章 案例背景与挖掘目标 输入数据: 《某市统计年鉴》(1995-2014) 挖掘目标: 梳理影响地方财政收入的关键特征,分析、识别影响地方财政收入的关键特征的选择模型 结合目标1的因素分析,对某市2015年的财政总收入及各个类别收入进行预测 分析方法与过程(选择的原则) 以往对财政收入的分析会使用多元线性回归模型,和最小二乘估计方法来...

aa8785458的博客 2515

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

python神经网络模型调用后预测值不变_Python:Lasso方法、GM预测模型、神经网络预测模型之财政收入影响因素分析及预测...

问题重述通过研究,发现影响某市目前及未来地方财源的因素。结合文中目标:(1)选择模型,找出影响财政收入的关键因素;(2)基于关键因素,选择预测方法、模型预测未来收入。具体来讲本文分析了地方财政收入、增值税收入、营业税收入、企业所得税收入、个人所得税收入的影响因素并对未来两年采用灰色预测(GM(1,1))并以已有年度序列训练神经网络(NN),再以得到的模型预测包括未来两年在内的所有年份收入的预测值,...

weixin_39759155的博客 504

数据挖掘实战(6):实战篇

内容分为三个部分:第一部分:**第13章:财政收入影响因素分析及预测模型** 的内容;第二部分:**第14章:基于基站定位数据的商圈分析** 的内容;第三部分:**第15章:电商产品评论数据情感分析** 的内容;

ZhuNian的学习乐园 2700

《Python数据分析与挖掘实战》第13章——回归+DNN

本文是基于《Python数据分析与挖掘实战》的实战部分的第13章的数据——《财政收入影响因素分析及预测模型》做的分析。旨在补充原文中的细节代码,并给出文中涉及到的内容的完整代码。在作者所给代码的基础上增加的内容包括: 1)探索了灰色预测的原理 2)画出预测结果图3)由于书中使用的是AdaptiveLasso,但是没有找到该函数,所以采用了其他变量选择模型1 挖掘背景及目标    根据1994-20...

u012063773的博客 5260

【Spark大作业】财政收入影响因素分析及预测模型

财政收入影响因素分析及预测模型

Lenhart001的博客 3045

GM(1,1)灰色预测详解+MATLAB预测下一年噪声值

GM(1,1)灰色预测是灰色系统理论中的一种线性一阶微分方程模型,用于对具有不完全信息的数据序列进行趋势预测,特别适用于数据量小且变化规律不明显的情况。

weixin_64123373的博客 2625

数据分析与挖掘:财政收入影响因素分析及预测模型

项目为《Python 数据分析与挖掘实战》第 13 章:财政收入影响因素分析及预测模型。项目实现了因变量的筛选,阐述了灰色预测原理计算过程,实现了灰色预测和神经网络的结合模型。

Raymone Shaw的博客 9679

【数据挖掘案例】财政收入影响因素分析及预测模型

分析方法与过程(选择的原则) 以往对财政收入的分析会使用 多元线性回归模型和最小二乘估计方法来估计回归模型的系数,通过系数能否通过检验来检验它们之间的关系,但这样的结果对数据依赖程度很大,并且求得的往往只是局部最优解,后续的检验可能会失去应有的意义。因此本案例运用Adaptive-Lasso变量选择方法来研究。 Lasso Adaptive-Lasso变量选择方法 Adaptive_lasso算法是近些年来被广泛应用于参数估计于变量选择的方法之一。Adaptive_Lasso算法能够解决最小二乘法和逐步回归

积一时之步,臻千里之遥程 1万+
上一篇: Python:北京落户积分分析
下一篇: 财政收入预测分析:时间序列分析
rubyw
博客等级 码龄7年 1528粉丝 234原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

rubyw

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值