灰色预测模型适用范围、优缺点

适用范围:该模型使用的不是原始数据的序列，而是生成的数据序列。核心体系是Grey Model，即对原始数据作累加生成（或其他处理生成）得到近似的指数规律再进行建模的方法。

---

---

优点:在处理较少的特征值数据，不需要数据的样本空间足够大，就能解决历史数据少、序列的完整性以及可靠性低的问题，能将无规律的原始数据进行生成得到规律较强的生成序列。

电力负荷数据

定义GM（1，1)灰色模型

class GM11():
    def __init__(self):
        self.f = None

    def train(self, X0):
        X1 = X0.cumsum()
        Z = (np.array([-0.5 * (X1[k - 1] + X1[k]) for k in range(1, len(X1))])).reshape(len(X1) - 1, 1)
        # 数据矩阵A、B
        A = (X0[1:]).reshape(len(Z), 1)
        B = np.hstack((Z, np.ones(len(Z)).reshape(len(Z), 1)))

训练预测模型

 model.train(X_train)  # 训练
    Y_pred = model.predict(len(X))  # 预测
    Y_train_pred = Y_pred[:len(X_train)]

模型检验结果

---

关于作者

在此对Dongsheng Hang对本文所作的贡献表示诚挚感谢，他在东华大学完成了信息管理学位，擅长ython数据分析、机器学习、分类、聚类、sql数据库。