### GMC(1,N) 模型的 Python 实现 GMC(1,N) 是一种灰色预测模型，属于广义灰色模型的一种扩展形式。它适用于多变量输入单输出的情况，即有 $N$ 个影响因素（自变量）和一个目标变量（因变量）。以下是基于灰色系统理论实现 GMC(1,N) 的 Python 示例代码。 #### GMC(1,N) 原理简介 GMC(1,N) 模型通过对原始序列进行累加生成操作 (AGO)，使得数据更加平滑，并利用微分方程的形式建立动态关系。其基本流程如下： - 对各输入序列和输出序列分别做 AGO 处理； - 构造 GM 微分方程并求解参数矩阵； - 还原预测值至原始尺度[^5]。 --- ### Python 实现代码 以下是一个完整的 GMC(1,N) 模型实现： ```python import numpy as np from scipy.integrate import odeint class GMC1NModel: def __init__(self): self.params = None def agop(self, data): """累积生成算子 (AGOP).""" return np.cumsum(data, axis=0) def inverse_agop(self, accumulated_data): """逆累积生成算子.""" original_data = np.zeros_like(accumulated_data) original_data[0] = accumulated_data[0] original_data[1:] = accumulated_data[1:] - accumulated_data[:-1] return original_data def construct_b_matrix(self, z_list): """构造 B 矩阵.""" b_mat = [] for zi in z_list.T: b_row = [-zi, 1] b_mat.append(b_row) return np.array(b_mat) def fit(self, input_data, output_data): """ 训练 GMC(1,N) 模型。 参数: - input_data: 输入数据数组，形状为 (m, N)，其中 m 是样本数，N 是特征数量。 - output_data: 输出数据数组，形状为 (m,) 或 (m, 1)。 """ # 数据预处理：对每一列应用 AGO agop_input = self.agop(input_data) agop_output = self.agop(output_data.reshape(-1, 1)).flatten() # 中心化 Z 向量 z_vectors = 0.5 * (agop_input[1:, :] + agop_input[:-1, :]) # 构建 B 和 Y 矩阵 b_matrix = self.construct_b_matrix(z_vectors) y_vector = agop_output[1:].reshape((-1, 1)) # 使用最小二乘法估计参数 params = np.linalg.inv(b_matrix.T @ b_matrix) @ b_matrix.T @ y_vector self.params = params.flatten() # 存储训练后的参数 def predict(self, new_inputs): """ 利用已训练好的 GMC(1,N) 模型进行预测。 参数: - new_inputs: 新的输入数据数组，形状为 (T, N)，其中 T 是时间步长，N 是特征数量。 返回: - 预测的结果序列。 """ if self.params is None: raise ValueError("The model has not been trained yet.") alpha, beta = self.params[:new_inputs.shape[1]], self.params[-1] # 定义微分方程 def grey_model(y, t): dydt = -(alpha @ new_inputs[t]) + beta return dydt time_steps = range(new_inputs.shape[0]) initial_value = new_inputs[0].mean() # 初始化条件 solution = odeint(grey_model, initial_value, time_steps) predicted_values = self.inverse_agop(solution.flatten()) return predicted_values # 测试代码 if __name__ == "__main__": # 示例数据 inputs = np.array([[1, 2], [2, 3], [3, 4], [4, 5]]) outputs = np.array([10, 15, 20, 25]) gmc_model = GMC1NModel() gmc_model.fit(inputs, outputs) predictions = gmc_model.predict(np.array([[5, 6], [6, 7]])) print("Predicted Values:", predictions) ``` --- ### 关键点说明 1. **累积生成操作 (AGO)** 将原始离散数据转换成更光滑的时间序列以便后续建模[^5]。 2. **参数估计** 使用最小二乘法解决线性回归问题以获得最佳拟合系数 $\hat{\alpha}$ 和 $\hat{\beta}$[^5]。 3. **还原预测值** 应用 IAGO 反变换恢复真实物理意义下的数值结果[^5]。 --- ###