用python编写灰色模型预测的代码

下面是使用Python编写灰色模型（Grey Model）进行预测的示例代码：

import numpy as np

def grey_model(data):
    # 累加生成序列
    data_cumsum = np.cumsum(data)
    
    # 紧邻均值生成序列
    data_mean = (data_cumsum[:-1] + data_cumsum[1:]) / 2.0
    
    # 紧邻均值矩阵B
    B = np.vstack((-data_mean, np.ones_like(data_mean))).T
    
    # 数据矩阵Y
    Y = data[1:].reshape((-1, 1))
    
    # 使用最小二乘法求解参数
    params = np.linalg.lstsq(B, Y, rcond=None)[0]
    
    # 计算残差序列
    residuals = np.zeros_like(data, dtype=float)
    for i in range(1, len(data)):
        residuals[i] = data[i] - (data[0] - params[0] / params[1]) * np.exp(-params[1]*(i-1))
    
    # 预测模型
    predict = np.zeros_like(data, dtype=float)
    for i in range(1, len(data)):
        predict[i] = (data[0] - params[0] / params[1]) * np.exp(-params[1]*(i-1)) + residuals[i]
    
    return predict

# 示例数据
data = np.array([10, 20, 30, 40, 50])

# 灰色模型预测
predict = grey_model(data)

print("原始数据：", data)
print("预测结果：", predict)

在以上示例中，`data`数组为示例数据，可以根据实际情况进行替换。`grey_model`函数实现了灰色模型的预测过程，其中通过累加生成序列、紧邻均值生成序列、最小二乘法求解参数、计算残差序列和预测模型等步骤完成灰色模型的建立和预测。最后，将原始数据和预测结果打印输出。