预测模型讲座.pptVIP

* * * * (3)计算第 种单项预测方法的预测 相对误差序列的变异程度系数 因为 根据系统某项指标 的熵值的大小与其变异程度相反的 原则，所以定义第 种单项预测方法 的预测相对误差序列的变异程度系数 为 熵值法在组合预测模型中的应用 熵值法在组合预测模型中的应用 上式体现了一个原则:某个单项预测方法预测误差序列的变异程度越大，则其在组合预测中对应的权系数就越小。且权系数满足: (4)计算各种预测方法的加权系数 熵值法在组合预测模型中的应用 (5)计算组合预测值: * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 预测模型的分类 预测模型的分类 预测模型的分类 预测模型的分类 GM（1，1）灰色预测模型 数列预测GM（1，1）模型 灰色系统理论的微分方程成为GM模型，G表示gray（灰色）， M表示model（模型）， GM （1，1）表示1阶的、1个变量的微分方程模型。 一、 GM（1，1）灰色预测模型建立 GM（1，1）灰色预测模型 GM（1，1）建模过程和机理如下： GM（1，1）灰色预测模型 GM（1，1）灰色预测模型 GM（1，1）灰色预测模型 二、灰色系统模型的检验 精度检验等级参照表 指标临界性 精度等级 相对误差 关联度 均方差比值 小误差概率 一级 0.01 0.90 0.35 0.95 二级 0.05 0.80 0.50 0.80 三级 0.10 0.70 0.65 0.70 四级 0.20 0.60 0.80 0.60 注：一般情况下，最常用的是相对误差检验指标。 GM（1，1）灰色预测模型 GM（1，1）灰色预测模型 三、GM（1，1）灰色预测模型结果 GM（1，1）灰色预测模型 平均相对误差 均方差 灰色关联度 0.15844 0.21919 0.97090 三、GM（1，1）灰色预测模型结果 BP神经网络预测模型 是生物神经元的抽象和模拟。 是人工神经网络的最基本组成部分。 一、BP神经网络的介绍 BP神经网络预测模型 二、BP算法原理 思想：前向计算得到网络输出，反向计算得到误差积累，梯度下降法调整权值。 BP神经网络预测模型 三、BP神经网络预测模型的建立 BP神经网络拓扑结构的确定 BP神经网络预测模型 利用MATLAB的NNbox提供的建立神经网络的专用函数newff() 对其进行求解。 四、BP神经网络预测模型的求解 BP神经网络预测模型 BP神经网络预测模型 五、Bp神经网络预测模型的结果 组合预测模型 组合预测模型 最优加权模型 设对同一预测对象的某个指标序列为 ，存在 种单项预测方法对其进行预测，设第 种单项预测方法在第 时刻的预测值为 ， 组合预测模型 称 为第 种单项预测方法在第 时刻的绝对预测误差，设 分别为 种单项预测方法的加权系数，权系数应满足: 组合预测模型 设 为 的组合预测值，设 为组合预测在第 时刻的预测误差，则有： 组合预测模型 用 表示组合预测误差平方和，则有: 组合预测模型 此可得以预测误差平方和为准则的 组合预测模型为下列最优化问题： 组合预测模型 非负加权模型 以预测误差平方和达到最小的非负加权预测模型 熵值法在组合预测模型中的应用 在信息论中，熵值是系统无序程度或混乱程度的度量，信息被解释为系统无序程度的减少，信息表现为系统的某项指标的变异度。即系统的熵值越大，则它所蕴涵的信息量越小，系统的某项指标的变异程度越小。反之，系统的熵值越小，则它所蕴涵的信息量越大，系统的某项指标的变异程度越大。 熵值法在组合预测模型中的应用 非负正权组合预测方法确定组合预测加权系数一个基本思想是:若某个单项预测模型预测误差序列的变异程度越大，则其在组合预测中对应的权系数就越小。在统计学中，一般采用离差、方差或标准差作为反映预测误差序列变异程度的指标。现在我们利用信息论中熵值的概念，重新定义单项预测模型预测误差序列的变异程度。 (l)将各种单项预测方法预测相对误差序列单位化。即计算第 种单项预测方法第 时刻的预测相对误差的比重 显然 熵值法在组合预测模型中的应用 （2）计