时间序列预测灰色模型GM(1,1)python代码

下面是一个简单的灰色模型GM(1,1)的Python代码示例：

import numpy as np

def gm11(x0):
    # 累加生成序列
    x1 = np.cumsum(x0)
    
    # 紧邻均值生成序列
    z1 = (x1[:-1] + x1[1:]) / 2.0
    
    # 紧邻均值矩阵
    b = np.vstack([-z1, np.ones_like(z1)]).T
    
    # 级比矩阵
    Yn = x0[1:].reshape((len(x0) - 1, 1))
    
    # 计算参数
    a, u = np.linalg.lstsq(b, Yn, rcond=None)[0]
    
    # 模型预测
    x_predict = (x0[0] - u / a) * np.exp(-a * np.arange(0, len(x0)))
    
    return x_predict

# 示例数据
x0 = np.array([10, 12, 16, 18, 20, 22])

# GM(1,1)模型预测
x_predict = gm11(x0)

# 打印预测结果
print("原始序列:", x0)
print("预测序列:", x_predict)

这段代码实现了GM(1,1)模型的灰色预测方法。输入数据`x0`为原始序列，输出结果`x_predict`为预测序列。在示例中，原始序列为`[10, 12, 16, 18, 20, 22]`，预测序列通过GM(1,1)模型计算得到。

请注意，这只是一个简单的示例代码，实际应用中可能需要进行参数调整和模型评估来提高预测精度。