灰色预测法

1. public class GM1_1   
2. {   
3.   private int T;//样本数量   
4.   private int M;   
5.   private double[] X;//原始数列   
6.   private double[] XF;//预测值   
7.   private double[] WC;//误差值   
8.   private double[][] B; //B矩阵   
9.   private double[][] YN; //YN矩阵   
10.   private double[] X1;  //AGO结果   
11.   private double a=0,u=0;//[a,u]T向量   
12.   protected DataSet observedData = new DataSet();   
13.   public GM1_1()   
14.   {   
15.   
16.   }   
17.    /**  
18.    * 取预测类型  
19.    * @return   
20.    */  
21.     public String getForecastType(){   
22.     return "longshine.epdsm.forecase.GM1_1";   
23.   }   
24.   
25.   /**  
26.    * 取预测模型名称   
27.    * @return   
28.    */  
29.     public String toString(){   
30.     return "灰色模型GM(1,1)";   
31.   }     
32.   
33.   /**  
34.    * 取预测模型代码   
35.    * @return   
36.    */     
37.     public String getForecastModelNo(){   
38.     return "mypack.GM1_1";   
39.   }     
40.      
41.     public double forecast( IDataPoint dataPoint ){   
42.     int x= (int)Math.round(dataPoint.getIndependentValue("x"));   
43.     Matrix M_YN;   
44.     Matrix M_B;   
45.     Matrix M_Reverse;   
46.     try{   
47.       M_YN= new Matrix(YN);   
48.       M_B=new Matrix(B);     
49.          
50.       Matrix tmp=M_B.transpose().multiply(M_B).inverse();   
51.         
52.       //利用最小二乘法求a系数向量a~=(B'B)-1B'YN   
53.       M_Reverse=GMUtils.getGrayModelModulus(M_B,M_YN);   
54.       a=M_Reverse.getEntry(1,1);   
55.       u=M_Reverse.getEntry(2,1);   
56.     }catch(Exception e)   
57.     {   
58.       e.printStackTrace();   
59.     }   
60.     //开始预测   
61.     try  
62.     {   
63.       XF[0]=X[0];   
64.       for(int i=1;i<XF.length;i++)   
65.       {   
66.         XF[i]=GMUtils.getT1Time(a,u,X[0],i);   
67.       }   
68.          
69.     }catch(Exception e)   
70.     {   
71.       e.printStackTrace();   
72.     }   
73.       
74.     WC=GMUtils.getRelativeError(X,XF);   
75.    if(x<T) return X[x];   
76.     else  
77.     {   
78.       try  
79.       {   
80.         double res=GMUtils.getT1Time(a,u,X[0],x);   
81.         return res;   
82.       }catch(Exception e)   
83.       {   
84.         e.printStackTrace();   
85.         return 0.;   
86.       }   
87.     }   
88.   }   
89.      
90.   public void init( DataSet dataSet )   
91.   {   
92.     this.observedData = dataSet;   
93.     setT(dataSet.size());   
94.     X=new double[T];   
95.     initX();   
96.     setT(X.length);   
97.     this.M=X.length-1;   
98.     XF=new double[X.length];   
99.     WC=new double[X.length];   
100.     B=new double[M][2];   
101.     YN=new double[M][1];       
102.     X1=GMUtils.sumArray(X);   
103.     a=0;u=0;       
104.     //初始化B,Yn   
105.     for(int i=0;i<M;i++)   
106.     {   
107.       B[i][0]=-(X1[i]+X1[i+1])/2;   
108.       B[i][1]=1;   
109.     }   
110.     for(int i=0;i<M;i++)   
111.     {   
112.       YN[i][0]=X[i+1];   
113.     }       
114.   }   
115.      
116.   public int getM()   
117.   {   
118.     return this.M;   
119.   }   
120.   private void initX()  //X赋值   
121.   {   
122.     for (int i=1 ;i<=T ;i++ )    
123.     {   
124.       IDataPoint dp = (IDataPoint)observedData.get(i-1);   
125.       X[i-1] =  dp.getDependentValue();   
126.     }       
127.   }   
128.   
129.   public int getT()   
130.   {   
131.     return T;   
132.   }   
133.   
134.   public void setT(int T)   
135.   {   
136.     this.T = T;   
137.   }   
138.      
139.   public static void main(String[] args)   
140.   {   
141.       
142.     final double[] powers={   
143. 124.8,   
144. 110.7,   
145. 129.0,   
146. 155.3,   
147. 219.03  
148.     };   
149.     DataSet dataset = new DataSet();   
150.     IDataPoint dp;   
151.     int  count = 1;   
152.     for (int i=0 ;i<powers.length ;i++ )    
153.     {   
154.       dp = new Observation( powers[i] );   
155.       dp.setIndependentValue( "x", i+1 );   
156.       dp.setTitle("xxx");   
157.       dataset.add( dp );   
158.     };       
159.     GM1_1  aa = new GM1_1();   
160.     aa.init(dataset);   
161.     dp = new Observation(0);   
162.   
163.     dp.setIndependentValue( "x", 5);   
164.     System.out.println("7="+aa.forecast(dp));   
165.        
166.     dp.setIndependentValue( "x", 6);   
167.     System.out.println("8="+aa.forecast(dp));   
168.     dp.setIndependentValue( "x", 7);   
169.     System.out.println("9="+aa.forecast(dp));   
170.     dp.setIndependentValue( "x", 8);   
171.     System.out.println("10="+aa.forecast(dp));   
172.     dp.setIndependentValue( "x", 9);   
173.     System.out.println("11="+aa.forecast(dp));   
174.   }   
175.      
176. }