写一段灰色预测时间序列的代码

这里是一段示例代码：import numpy as np
import matplotlib.pyplot as plt# Initialize dataset
x = np.arange(0, 10, 1)
y = np.random.normal(0, 0.1, size=x.size)# Create linear regression object
model = np.polyfit(x, y, 1)# Create line of best fit
line = np.poly1d(model)# Plot the data
plt.scatter(x, y)
plt.plot(x, line(x))
plt.show()

相关问题

python写一段灰色预测代码

当然可以！以下是一个简单的 Python 代码示例，用于进行灰色预测：

import numpy as np

def gray_prediction(data):
    n = len(data)
    # 累加生成序列
    accumulation = np.cumsum(data)
    
    # 计算紧邻均值生成序列
    mean_sequence = (accumulation[:-1] + accumulation[1:]) / 2
    
    # 构造矩阵 B 和向量 Y
    B = np.vstack((-mean_sequence, np.ones_like(mean_sequence))).T
    Y = data[1:]

    # 使用最小二乘法求解参数
    params = np.linalg.lstsq(B, Y, rcond=None)[0]
    
    # 预测模型
    predict_sequence = np.zeros_like(data, dtype=float)
    predict_sequence[0] = data[0]
    for i in range(1, n):
        predict_sequence[i] = (data[0] - params[1] / params[0]) * np.exp(-params[0] * (i-1)) + params[1] / params[0]
    
    # 输出预测结果
    print("原始数据：", data)
    print("预测数据：", predict_sequence)

# 示例数据
data = np.array([10, 12, 14, 16, 18, 20])
gray_prediction(data)

这段代码实现了一个简单的灰色预测模型。首先，它对原始数据进行累加和计算，并生成紧邻均值生成序列。然后，利用最小二乘法求解参数，并使用预测模型进行预测。最后，输出原始数据和预测数据。在示例中，原始数据为 `[10, 12, 14, 16, 18, 20]`，预测结果会打印在控制台上。

请注意，这只是一个简单的示例灰色预测模型，实际应用中可能需要根据具体情况进行调整和改进。

用MATLAB写一段灰色预测代码

由于灰色预测需要对原始数据进行处理，因此需要先用MATLAB对原始数据进行处理，然后再进行灰色预测。

以下是一段MATLAB灰色预测的代码示例：

% 原始数据
data = [10, 15, 20, 25, 30, 35, 40];

% 累加生成序列
data_cumsum = cumsum(data);

% 累加平均生成序列
data_cummean = data_cumsum ./ [1:length(data)];

% 灰色预测
alpha = 0.5; % 灰色预测中的发展系数
data_predict = zeros(size(data));
data_predict(1) = data(1);
for i = 2:length(data)
data_predict(i) = (data(1) - data_cummean(i-1)) * exp(-alpha*(i-1)) + data_cummean(i-1);
end

% 绘制原始数据和预测数据的图像
figure
plot([1:length(data)], data, '-o', 'LineWidth', 2)
hold on
plot([1:length(data)], data_predict, '-x', 'LineWidth', 2)
legend('原始数据', '预测数据')
xlabel('时间')
ylabel('数据值')
title('灰色预测')