python构建指数平滑预测模型示例
指数平滑法
其实我想说自己百度的…
只有懂的人才会找到这篇文章…
不懂的人…看了我的文章…还是不懂哈哈哈
指数平滑法相比于移动平均法，它是一种特殊的加权平均方法。简单移动平均法用的是算术平均数，近期数据对预测值的影响比远期数据要大一些，而且越近的数据影响越大。指数平滑法正是考虑了这一点，并将其权值按指数递减的规律进行分配，越接近当前的数据，权重越大；反之，远离当前的数据，其权重越小。指数平滑法按照平滑的次数，一般可分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。然而一次指数平滑法适用于无趋势效应、呈平滑趋势的时间序列的预测和分析，二次指数平滑法多适用于呈线性变化的时间序列预测。
具体公式还是百度吧…
材料
1.python3.5
2.numpy
3.matplotlib
4.国家社科基金1995-2015年立项数据
需求
预测2016年和2017年国家社科基金项目立项数量
数据
#yeartime_idnumber 1994110 199523 1996327 1997413 1998512 1999613 2000714 2001823 2002932 20031030 20041136 20051240 20061358 20071451 20081573 20091680 201017106 201118127 201219135 201320161 201421149 201522142
代码
#-*-coding:utf-8-*-
#@Date:2017-04-1121:27:00
#@Author:AlanLau(rlalan@outlook.com)
#@Language:Python3.5
importnumpyasnp
frommatplotlibimportpyplotasplt
#指数平滑公式
defexponential_smoothing(alpha,s):
s2=np.zeros(s.shape)
s2[0]=s[0]
foriinrange(1,len(s2)):
s2[i]=alpha*s[i]+(1-alpha)*s2[i-1]
returns2
#绘制预测曲线
defshow_data(new_year,pre_year,data,s_pre_double,s_pre_triple):
year,time_id,number=data.T
plt.figure(figsize=(14,6),dpi=80)#设置绘图区域的大小和像素
plt.plot(year,number,color='blue',label="actualvalue")#将实际值的折线设置为蓝色
plt.plot(new_year[1:],s_pre_double[2:],color='red',label="doublepredictedvalue")#将二次指数平滑法计算的预测值的折线设置为红色
plt.plot(new_year[1:],s_pre_triple[2:],color='green',label="triplepredictedvalue")#将三次指数平滑法计算的预测值的折线设置为绿色
plt.legend(loc='lowerright')#显示图例的位置，这里为右下方
plt.title('Projects')
plt.xlabel('year')#x轴标签
plt.ylabel('number')#y轴标签
plt.xticks(new_year)#设置x轴的刻度线为new_year
plt.show()
defmain():
alpha=.70#设置alphe，即平滑系数
pre_year=np.array([2016,2017])#将需要预测的两年存入numpy的array对象里
data_path=r'data1.txt'#设置数据路径
data=np.loadtxt(data_path)#用numpy读取数据
year,time_id,number=data.T#将数据分别赋值给year,time_id,number
initial_line=np.array([0,0,number[0]])#初始化，由于平滑指数是根据上一期的数值进行预测的，原始数据中的最早数据为1995，没有1994年的数据，这里定义1994年的数据和1995年数据相同
initial_data=np.insert(data,0,values=initial_line,axis=0)#插入初始化数据
initial_year,initial_time_id,initial_number=initial_data.T#插入初始化年
s_single=exponential_smoothing(alpha,initial_number)#计算一次指数平滑
s_double=exponential_smoothing(alpha,s_single)#计算二次平滑字数，二次平滑指数是在一次指数平滑的基础上进行的，三次指数平滑以此类推
a_double=2*s_single-s_double#计算二次指数平滑的a
b_double=(alpha/(1-alpha))*(s_single-s_double)#计算二次指数平滑的b
s_pre_double=np.zeros(s_double.shape)#建立预测轴
foriinrange(1,len(initial_time_id)):
s_pre_double[i]=a_double[i-1]+b_double[i-1]#循环计算每一年的二次指数平滑法的预测值，下面三次指数平滑法原理相同
pre_next_year=a_double[-1]+b_double[-1]*1#预测下一年
pre_next_two_year=a_double[-1]+b_double[-1]*2#预测下两年
insert_year=np.array([pre_next_year,pre_next_two_year])
s_pre_double=np.insert(s_pre_double,len(s_pre_double),values=np.array([pre_next_year,pre_next_two_year]),axis=0)#组合预测值
s_triple=exponential_smoothing(alpha,s_double)
a_triple=3*s_single-3*s_double+s_triple
b_triple=(alpha/(2*((1-alpha)**2)))*((6-5*alpha)*s_single-2*((5-4*alpha)*s_double)+(4-3*alpha)*s_triple)
c_triple=((alpha**2)/(2*((1-alpha)**2)))*(s_single-2*s_double+s_triple)
s_pre_triple=np.zeros(s_triple.shape)
foriinrange(1,len(initial_time_id)):
s_pre_triple[i]=a_triple[i-1]+b_triple[i-1]*1+c_triple[i-1]*(1**2)
pre_next_year=a_triple[-1]+b_triple[-1]*1+c_triple[-1]*(1**2)
pre_next_two_year=a_triple[-1]+b_triple[-1]*2+c_triple[-1]*(2**2)
insert_year=np.array([pre_next_year,pre_next_two_year])
s_pre_triple=np.insert(s_pre_triple,len(s_pre_triple),values=np.array([pre_next_year,pre_next_two_year]),axis=0)
new_year=np.insert(year,len(year),values=pre_year,axis=0)
output=np.array([new_year,s_pre_double,s_pre_triple])
print(output)
show_data(new_year,pre_year,data,s_pre_double,s_pre_triple)#传入预测值和数据
if__name__=='__main__':
main()
预测结果
代码及数据
以上这篇python构建指数平滑预测模型示例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。