灰色预测GM模型

用MATLAB实现灰色预测GM11模型 用MATLAB实现灰色系统GM(1,1) 阅读详情

1.概念理解

G(grey)、M(Model)、(1,1)表示只含有一个变量的一阶微分方程模型。
灰色是介于白色和黑色之间的,部分已知,部分未知。以GDP为例,我们有往年的数据和一定的理论基础,但是无法精确计算下一年的值。

2.适用场景

数列预测:定时求量。已知xx年到xx年的数据,请预测下一年的数据。比如GDP、人口数量、耕地面积、粮食产量等问题。
灾变预测:定量求时。已知xx年到xx年的数据和某灾变的阈值,预测下一次灾变发生的时间。比如洪涝灾害、虫灾等问题。
拓扑预测:对数据波形进行预测,等于求解多个灾变预测,以虫灾为例,将虫灾分为"轻微"、“中度”、“重度”,也就是有三个阈值,然后我们去预测分别到达这三个阈值的年份。

3.建模步骤

  • 根据原始数据,通过累加等方式削弱随机性、获得有规律的新序列
  • 建立相应的微分方程模型,得到离散点处的解
  • 再通过累减求得原始数据的估计值,从而对原始数据预测

4.优缺点分析

灰色预测模型在建模过程中所需要的数据量比较少,预测比较准确,精度较高。以及预测模型的样本分布不需要有规律性,计算简便,检验方便。但是灰色预测模型只适用于中长期预测,不适用与短期分析。
时间序列模型的优点,主要是可以从时间序列中找出变量变化的特征、趋势以及发展规律,从而对变量的未来变化进行有效地预测。而时间序列模型的缺点,主要是时间序列预测法因突出时间序列暂不考虑外界因素影响,因而存在着预测误差的缺陷,当遇到外界发生较大变化,往往会有较大偏差,时间序列预测法对于中短期预测的效果要比长期预测的效果好。

5.代码参数

#!/usr/bin/env python
# coding: utf-8

# In[ ]:


# 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


数学建模:预测性模型学习——灰色预测模型(GM(1,1)模型) 简化原理,用通俗易懂的方式介绍灰色预测法并分析其适用条件和优缺点;对案例进行分析 阅读详情

相关推荐

【13】 数学建模 | 预测模型 | 灰色预测、BP神经网络预测 | 预测题型的思路 | 内附代码(清风课程,有版权问题,私聊删除)

一、灰色预测使用的场景 数据是以年份度量的非负数据(如果是月份或者季度数据一定要用我们上一讲学过的时间序列模型); 数据能经过准指数规律的检验(除了前两期外,后面至少90%的期数的光滑比要低于0.5); 数据的期数较短且和其他数据之间的关联性不强(小于等于10,也不能太短了,比如只有3期数据),要是数据期数较长,一般用传统的时间序列模型比较合适 二、预测题型的一些常识 看到数据后先画时间序列图并简单的分析下趋势(例如:学过的时间序列分解) 将数据分为训练组和试验组,尝试使用不同的模型对训练组进行建.

weixin_45615071的博客 1万+

灰色预测GM(1,1)模型

在这里,灰色的意思是系统的信息只有一部分,不完整,与之类似概念还有白色和黑色。灰色预测模型是通过少量的、不完全的信息,建立数学模型做出预测的一种预测方法。其预测对象要求数据具有,并且。灰色预测模型可用GM(m,n)表示,m代表阶数,n代表预测对象的个数。灰色预测模型适用于年份数据预测,且期数较少的情况。如果期数较多或者包含季度数据,采用时间序列分析进行预测。...

xht2403267701的博客 1万+

灰色关联以及灰色预测GM(1,n),GM(1,1)模型(Python实现)

**灰色关联以及灰色预测GM(1,n),GM(1,1)模型** 简介:本篇文章简单的介绍灰色关联以及灰色预测模型,并且使用python代码进行实现。 1. 灰色系统的概论 2. 关于灰色关联度那些事 3. GM(1,1)模型简介以及相关实现 4. GM(1,N)模型简介以及相关实现、 5,模型检验 一、灰色系统概论 a 、概念来源: 灰色系统理论(Grey System Theory)的创立源于20世纪80年代。邓聚龙教授在1981年上海中-美控制系统学术会议 上所作的“含未知数系统的控

恋志传奇的博客 3万+

预测模型的建立(一)

在本讲我们首先将介绍灰色预测模型背后的原理,同时也将在原始的灰色预测模型的基础上作出改进与创新,然后将简要介绍神经网络在数据预测中的应用,在这里,我们只简单的介绍神经网络的思想,以及如何操作matlab中的神经网络工具箱以对数据进行预测,在本讲最后,将谈谈个人对于数据预测的一些看法。灰色预测模型可以理解为是给我们的灰色系统建模。那么,我们就要区分什么是灰色系统。灰色系统是系统的部分信息已知而部分信息未知,灰色预测是对既含有已知信息又含有不确定信息的系统进行预测。

2303_76664877的博客 2588

灰色系统预测模型GM(1,1),GM(1,n)及Matlab实现

1.灰色系统的定义: 灰色系统指既含有已知信息又含有未知信息的系统。 2.灰色预测模型的定义: 对灰色系统进行预测的模型。 灰色模型(Grey Model,简称GM模型)一般表达方式为GM(n,x)模型,其含义是:用n阶微分方程对x个变量建立模型。 3.灰色预测模型的目的: 通过把分散在时间轴上的离散数据看成一组连续变化的序列,采用累加和累减的方式,将灰色系统中的未知因素弱化,强化已知因

fengzhimohan的博客 11万+

灰色预测GM(1,1)模型及MATLAB实现

因为做毕设开始接触的灰色预测,发表的第一篇小论文也是基于GM(1,1)灰色预测模型的,这一篇主要想详细记录一下灰色理论的基础知识以及分享一下我在毕设中用到的MATLAB代码。如有问题欢迎指正交流(#.#) 灰色预测方法是一种用来对灰色系统进行预测的方法,灰色系统是指信息不完全的一种系统,是一种广泛用于研究少数据、贫信息问题的方法。GM(1,1)预测模型的基本原理是:对某一数据序列使用累加的方法生成一组变化趋势明显的新序列,对新的数据序列建立模型并进行预测,然后利用累减的方法逆向计算,使其恢复为原始序列,以此

weixin_44922704的博客 1万+

【数学建模常用算法】之灰色预测模型GM

作者:張張張張 github地址:https://github.com/zhanghekai 【转载请注明出处,谢谢!】 【参考文献】

qq_41995574的博客 8178

【学习笔记】灰色预测 GM(1,1) 模型 —— Matlab

通过模型算法,熟练对Matlab的应用。本文主要介绍灰色预测GM(1,1)模型

m0_65032457的博客 6618

GM(1,1)灰色预测模型

GM(1,1)灰色预测模型 Author:丸子 Written on: 220211 笔记 课程来自b站网课老哥带你学数模 书本为《数学建模算法与应用(第3版)》,司守奎编著 第450页 灰色预测模型是灰色系统的一个重要应用,关于灰色系统有关的参见上一篇笔记《灰色系统理论与灰色关联分析模型》 文章目录GM(1,1)灰色预测模型三、灰色生成数列3.1 累加生成3.2 累减生成3.3 加权邻值生成四、灰色模型GM(1,1)引入GM(1,1)定义GM(1,1)灰色预测的步骤1.数据的检验与处理2.建立G

C语言/数据结构/数学建模/深度学习/生物信息 9147

灰色预测模型GM(1,1)概述+模型推导+Matlab实现案例

灰色预测模型

weixin_44734502的博客 7129

灰色预测GM(1,n)模型_python

灰色系统理论及其应用系列博文: 一、灰色关联度分析法(GRA)_python 二、灰色预测模型GM(1,1) 文章目录一、GM(1,n)算法二、示例2.1 数据:2.2 代码_使用GM(1,n)城市用水总量2.3 结果分析 一、GM(1,n)算法 二、示例 注:数据均来自论文《基于灰色系统理论的贵阳市城市用水总量预测》 2.1 数据: data.csv 年份,城区人口,建成区面积,供水总量,用水人口,人口综合用水指标,城市用水总量 2002, 191.85, 98.00, 26396.00,

qq_34229228的博客 1万+

灰色预测模型GM(1,1)的全面讲解及python实现

1. 灰色预测的概念 (1)灰色系统、白色系统和黑色系统 白色系统是指一个系统的内部特征是完全已知的,既系统信息是完全充分的。 黑色系统是一个系统的内部信息对外界来说是一无所知的,只能通过它与外界的联系来加以观测研究。 灰色系统介于白色和黑色之间,灰色系统内的一部分信息是已知的,另一部分信息是未知的,系统内各因素间有不确定的关系。 (2)灰色预测法 所以灰色预测就是通过这样的信息前提下做的一种预测分析,即灰色预测法是一种预测灰色系统的预测方法。 灰色预测通过鉴别系统因素之间发展趋势的相异程度,

Trisyp的博客 2万+

【预测模型】灰色预测模型 GM(1,1)

目录 1、GM(1,1)模型应用 1.1 原始数据 1.2 GM(1,1)代码 1.3 结果显示 1.4 通用代码 2、灰色系统分析的基本概念 2.1GM(1,1)模型 1、GM(1,1)模型应用 1.1 原始数据 预测这一组数据的走势89677 99215 109655 120333 135823 159878 182321 209407 246619 300670。 1.2 GM(1,1)代码 clear clc syms a b; c=[a b]'; A=[8967...

Fanjufei的博客 1万+

灰色预测 GM(1,1) 模型及Python、R语言实现

二、GM(1,1)模型 2.1 GM(1,1)模型概述 灰色预测经常用来解决数据量较少且不能直接发现规律的数据。对于包含不确定信息的序列,灰色预测方法通过对原始数据进行处理,使之转化为灰色序列,并建立微分方程模型模型 GM(1,1)模型是灰色预测理论的基本模型,也是灰色系统理论中运用最广泛的一种动态预测模型,模型由一个单变量的一阶微分方程构成。GM(1,1)模型适合对“少数据,贫信息”的对象进行中短期预测 2.2 GM(1,1)数据处理方法 在灰色系统中,能获得的信息非常有限,且不易发现内部规律,因此我们需

积一时之步,臻千里之遥程 2万+

告别零散脚本:用Playwright+Pytest+Yaml+Allure搭建可维护的UI自动化项目

UI自动化测试是软件质量保障的关键环节,其核心在于模拟用户操作,对Web应用界面进行功能验证。传统的脚本堆砌方式常因代码耦合度高、维护成本大而难以为继。工程化解决方案通过分离关注点,将测试逻辑、数据和配置解耦,从而显著提升项目的可读性、可维护性和可扩展性。其技术价值在于构建可持续运行的自动化资产,而非一次性脚本。典型的应用场景包括Web应用的回归测试、兼容性测试及CI/CD流水线中的质量门禁。本文以Playwright、Pytest、Yaml和Allure为核心技术栈,详细阐述了如何从项目架构、页面对象模型

weixin_42529328的博客 302

电路课设-音响分频器电路设计

(一)题目简介 1.一阶分频器电路设计 假定高音和低音扬声器均等效为 16 欧姆电阻,设计如图 2 的简单分频器电 路,要求高低频分界(两个滤波器的截止频率)为 5kHz。 1) 写出高音扬声器和低音扬声器电压对于 vs 的传递函数,确定电路中电 容 C 和电感 L 的元件值;2)利用 AC 频率扫描分析求出两个扬声器电压的频率响应曲线,验证计算 结果。用包含高低频成分的电压 vs 激励进行测量验证。 3)计算并利用 EWB 仿真证明从 vs 看进去的阻抗为一常数 16 欧姆。

weixin_53507617的博客 1万+

灰色预测模型GM(1,1)

本文参考的是司守奎,孙兆亮主编的数学建模算法与应用(第二版) 灰色预测的主要特点时模型使用的不是原始数据序列,而是生成的数据序列。其核心体系时灰色模型,即对原数据作累加生成得到近似指数规律再进行建模的方法。 优点:不需要很多数据,一般只需要4个数据,就能够解决历史数据少。序列的完整性及可靠性低的问题,能利用微分方程充分挖掘系统的本质,精度高;能将无规律的原始数据进行生成得到规律性较强的生成序列,运算简便,便于检验,不考虑分布规律,不考虑变化趋势。 缺点:只使用于中短期的预测,只适合指数增长的预测。 这里主要

学习笔记 1万+

碎碎念android eMMC【转】

本文转载自:https://blog.youkuaiyun.com/Fybon/article/details/44242549 一、/dev/blockroot@:/dev/block #lsbootdevicemmcblk0mmcblk0p1mmcblk0p10…….mmcblk0p18mmcblk0p19mmcblk0p2mmcblk0p20……mmcblk0p29mmcblk0p3mmcblk0p3...

zzb2760715357的博客 381

【数学建模】灰色预测模型GM(1,1)附例题分析(MATLAB实现)

目录一、灰色预测概述1.灰色系统、白色系统和黑色系统2.灰色系统与其它学科的比较3.灰色预测分类及特点二、灰色预测模型GM(1,1)1.几个理论1.1 累加生成数(1-AGO)1.2 累减生成数(IAGO)1.3 邻值生成数2.GM(1,1)2.1 灰微分方程模型2.2 白化方程3.算法步骤3.1 数据的检验与处理3.2 建立模型,求出预测值3.3 检验预测值三、实例及MATLAB实现 一、灰色预...

weixin_43558340的博客 3万+

Claude Code教程(二) | Claude Code 核心信息与使用指南

Claude Code 核心信息与使用指南

qq_20236937的博客 2188

C语言—for循环打印矩形,正三角形,倒三角形,九九乘法,等腰三角形,倒着的等腰三角形(简易版代码)(重点考察for循环嵌套)

本章节教大家如何利用for循环打印正三角形,倒三角形,九九乘法表及等腰三角形(简易版代码)说明:1、循环语句的循环体内又包含另一个完整的循环结构,称为循环结构的嵌套。内嵌的循环语句中还可以再嵌套循环结构,这样就形成多重循环结构的嵌套。2、for 语句、while 语句和 do-while 语句都允许嵌套。三种循环语句可以相互嵌套。3、内层的循环语句必须完全被包含在外层的循环体中,不能发生交叉。

m0_63501145的博客 1697

灰色预测GM(1,1)模型详细讲解+Python代码实现

所谓灰色预测,就是对既含有已知信息又含有不确定信息的系统进行预测,就是对在一定范围内变化的、与时间有关的灰色过程进行预测。

m0_64336780的博客 1万+

【AutoSAR】【EcuM】ECU状态管理

目录 一、EcuM架构位置 ​二、EcuM功能介绍 三、EcuM状态机 1.STARTUP阶段 2、UP状态 3、shutdown状态 4、休眠状态 5、OFF状态 一、EcuM架构位置 EcuM模块位于系统服务层,如下图红色方框里; 二、EcuM功能介绍 EcuM本身它管理着ECU在STARTUP, RUN,OFF,SLEEP,WAKEUP状态之间的相互切换。 责所有BSW的初始化以及去初始化 和ComM协作来管理网络状态,在需要时关闭ECU 管理所有的唤醒事件,并且在需要时

专注汽车软件开发、AutoSAR、车载以太网、SOA、EE架构。 3356
上一篇: 财政收入预测分析:时间序列分析
下一篇: Python:关于RollRate&Vintage的研究与应用
rubyw
博客等级 码龄7年 1528粉丝 234原创
评论
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