2022.3.30更新
- 将灰色预测模型移动至GreyForecasting文件夹中
- 新增了GreyIncidence文件夹，已更新部分灰色关联度模型，后续将继续更新
-
灰色多变量周期幂模型
-
针对
Grey_Model.py中最小二乘部分的一些错误进行了修改 -
针对
Grey_Model.py中pgm1nsin模型代码进行了重写与优化 -
使
pgm1nsin模型可以自行选择哪一变量进行幂指数运算或周期正弦运算
-
具体使用方法如下：
定义GM(1,N|sin)幂模型
参数设置:
sys_data:系统行为序列
rel_p_data:相关因素序列（指数因素）
rel_s_data:相关因素序列（周期因素）
predict_step:预测步长，会截取上面三组数据的最后predict_step行数据作为预测
gamma:幂指数
p:周期系数
使用方法：
1.实例化对象 model = pgm1nsin(sys_data=sys_data,rel_p_data=rel_p_data,rel_s_data=rel_s_data)\n
2.训练模型 model.fit()\n
3.进行预测 model.predict
- 灰色单变量预测模型
- 对代码进行了重写与优化
model = gm11(data,predstep=2)
fitted_values = model.fit()
predict_values = model.predict()-
灰色多变量预测模型
- 更新了GM(1,N)模型,建议使用连续型情况的，离散形式的我自己做的时候发现拟合误差比较大，后面应该需要使用另外一种离散模式
- 参数解释可以通过
model.__doc__查看
使用方法： data = pd.read_excel('Power.xlsx', sheet_name='Sheet3',header=None) system_data = data.iloc[:, 0] relevent_data = data.iloc[:, 1:] model = gm1n(relevent_data, system_data,predict_step=3,discrete=False) fit_values = model.fit() predict_values = model.predict()- 在使用灰色多变量模型进行预测时，相关因素序列应该比系统因素序列长predict_step，可以看Power.xlsx中Sheet3表格示例数据，其中第一列是系统行为变量，第二第三列是相关因素
-
灰色多变量幂模型
- 参考*王正新.灰色多变量GM(1,N)幂模型及其应用[J].系统工程理论与实践,2014,34(09):2357-2363.*编写的代码
- 后续会按照灰色多变量周期幂模型的格式重构代码，当前如需使用，请使用
Grey_Model_v2.py中的pgm1ns模型，令其p=1
model = pgm1ns()
model.fit(data, predict_step=2, gama=[1.7254, 0.86642], p=0)
values = model.get_all_sim_val()- 测试数据
在Power.xlsx文件中保存着江苏省季度用电量、温度、GDP等数据，用于对模型进行测试
| 用电量 | GDP | 温度 |
|---|---|---|
| 1170.66 | 1727.29 | 7.80 |
| 1238.95 | 2380.31 | 21.49 |
| 1331.82 | 2112.61 | 25.55 |
| 1271.11 | 2600.54 | 11.96 |
当前更新了三个关联模型，分别是：
-
邓聚龙教授的绝对关联模型
-
叶莉莉等在[叶莉莉,谢乃明,罗党.累积时滞非线性ATNDGM(1,N)模型构建及应用[J].系统工程理论与实践,2021,41(09):2414-2427.]中构建的关联模型
-
王俊杰在[王俊杰. 时滞性与周期性的灰建模技术研究及其在雾霾治理中的应用[D].南京航空航天大学,2018.DOI:10.27239/d.cnki.gnhhu.2018.000204.]中构建的等周期关联模型
-
灰色绝对关联模型
代码在Greyinc.py中
data_in = mean_process(data_in)
data_out = mean_process(data_out)
inc_mat = gery_inci(data_in, data_in)- 叶莉莉等的灰色关联模型（主要用于寻找时滞期）
代码在Time_lag_model.py中
# 支持相关因素与系统因素都有多个，返回一个矩阵，行是相关因素，列是系统因素
data_input = data.iloc[14:,1:9]
data_output = data.iloc[14:,9:]
inc_mat = time_lag_inc(data_input,data_output,3)- 等周期关联模型
代码在GreyDelayTrendModeltl.py中
# 仅支持一个相关因素与一个系统因素，返回不同趋势t下的点关联度，行为不同趋势，矩阵最后一列是该趋势下的平均关联度
data1 = mean_process(data.iloc[:, 0:1])
data2 = mean_process(data.iloc[:, 1:2])
a = gdtep_t(data1, data2)