灰度预测+LinearSVR和AERIMA预测财政收入

一、灰度预测+LinearSVR

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import pandas as pd import numpy as np from sklearn.linear_model import Lasso   inputfile = './data/data.csv'  # 输入的数据文件 data = pd.read_csv(inputfile)  # 读取数据   lasso = Lasso(1000)  # 调用Lasso()函数，设置λ的值为1000 lasso.fit(data.iloc[:,0:13],data['y'])   data = data.iloc[:, 0:13]   mask = lasso.coef_ != 0  # 返回一个相关系数是否为零的布尔数组 outputfile ='./tmp/new_reg_data.csv'  # 输出的数据文件 new_reg_data = data.iloc[:, mask]  # 返回相关系数非零的数据 new_reg_data.to_csv(outputfile)  # 存储数据 print('输出数据的维度为：',new_reg_data.shape)  # 查看输出数据的维度

• LinearSVR

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

import matplotlib.pyplot as plt from sklearn.svm import LinearSVR   inputfile = './tmp/new_reg_data_GM11.xls'  # 灰色预测后保存的路径 data = pd.read_excel(inputfile)  # 读取数据 feature = ['x1', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x13']  # 属性所在列 data_train = data.iloc[0:20].copy()  # 取2014年前的数据建模 data_mean = data_train.mean() data_std = data_train.std() data_train = (data_train - data_mean)/data_std  # 数据标准化 x_train = data_train[feature].values  # 属性数据 y_train = data_train['y'].values  # 标签数据   linearsvr = LinearSVR()  # 调用LinearSVR()函数 linearsvr.fit(x_train,y_train) x = ((data[feature] - data_mean[feature])/data_std[feature]).values  # 预测，并还原结果。 data['y_pred'] = linearsvr.predict(x) * data_std['y'] + data_mean['y'] outputfile = './tmp/new_reg_data_GM11_revenue.xls'  # SVR预测后保存的结果 data.to_excel(outputfile)   print('真实值与预测值分别为：\n',data[['y','y_pred']])   fig = data[['y','y_pred']].plot(subplots = True, style=['b-o','r-*'])  # 画出预测结果图 plt.show()

 

 

 

二、AERIMA

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61

import pandas as pd # 参数初始化 discfile = 'C:/Users/86136/Documents/python大数据分析/课本源代码以及数据/chapter6/demo/data/data.csv' # 读取数据 data = pd.read_csv(discfile)   # 时序图 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号 data.plot() plt.show()   # 自相关图 from statsmodels.graphics.tsaplots import plot_acf plot_acf(data['y']).show() 对y（财政收入）进行平稳性检验   # 平稳性检测 from statsmodels.tsa.stattools import adfuller as ADF print('原始序列的ADF检验结果为：', ADF(data['y'])) # 返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore   # 差分后的结果 D_data = data.diff().dropna() feature = ['x1', 'x2', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x9', 'x10', 'x11', 'x12', 'x13', 'y']  # 属性所在列 D_data.columns = feature D_data.plot()  # 时序图 plt.show() plot_acf(D_data['y']).show()  # 自相关图 from statsmodels.graphics.tsaplots import plot_pacf plot_pacf(D_data['y']).show()  # 偏自相关图 print('差分序列的ADF检验结果为：', ADF(D_data['y']))  # 平稳性检测   # 白噪声检验 from statsmodels.stats.diagnostic import acorr_ljungbox print('差分序列的白噪声检验结果为：', acorr_ljungbox(D_data['y'], lags=1))  # 返回统计量和p值     from statsmodels.tsa.arima_model import ARIMA # 定阶 data['y'] = data['y'].astype(float) pmax = int(len(D_data)/10)  # 一般阶数不超过length/10 qmax = int(len(D_data)/10)  # 一般阶数不超过length/10 bic_matrix = []  # BIC矩阵 for p in range(pmax+1):   tmp = []   for q in range(qmax+1):     try:  # 存在部分报错，所以用try来跳过报错。       tmp.append(ARIMA(data['y'], (p,1,q)).fit().bic)     except:       tmp.append(None)   bic_matrix.append(tmp)   bic_matrix = pd.DataFrame(bic_matrix)  # 从中可以找出最小值   p,q = bic_matrix.stack().idxmin()  # 先用stack展平，然后用idxmin找出最小值位置。 print('BIC最小的p值和q值为：%s、%s' %(p,q)) model = ARIMA(data['y'], (p,1,q)).fit()  # 建立ARIMA(0, 1, 1)模型 print('模型报告为：\n', model.summary2()) print('预测未来2年，其预测结果、标准误差、置信区间如下：\n', model.forecast(2))

　　

 

 

 

 

三、结论

灰色预测算法+SVR算法预测的模型效果更好