【Matlab 041期】【數學建模】Matlab 電力預測預測之灰度預測組合預測指數平滑回歸分析
clc;
clear all
data=[43.83
46.58
48.29
51.77
53.30
57.22
58.94
63.37
65.36
70.48
72.57
78.30
86.61
87.42
96.37
97.38
107.46
100.80
109.88
118.03
114.39
118.17
139.01
186.48
198.45];
t=1995:2019;
T=1995:2025;
%% 灰度預測
%% 迴歸預測
disp(['迴歸預測均值方差=',num2str(wucha1)]);
disp(['迴歸預測百分絕對方差=',num2str(wucha2*100),'%']);
figure(2)
plot(t,data,'bo-',T,G_huigui,'r*-'); %原始資料與預測資料的比較
xlabel('年份')
ylabel('用電量');
legend('實際值','迴歸預測值')
title('迴歸預測用電量')
%% %% 二次指數平滑
S(3)=std(G_pinghua);%標準差
format short
[wucha1,wucha2]=mse(G_pinghua(21:25),data(21:25));
wucha1=roundn(wucha1,-2);
wucha2=roundn(wucha2,-4);
disp(['二次指數平滑預測均值方差=',num2str(wucha1)]);
disp(['二次指數平滑預測百分絕對方差=',num2str(wucha2*100),'%']);
figure(3)
plot(t,data,'bo-',T,G_pinghua,'r*-'); %原始資料與預測資料的比較
xlabel('年份')
ylabel('用電量');
legend('實際值','二次指數平滑預測值')
title('二次指數平滑預測用電量')
%% 組合預測
disp(['變權組合預測均值方差=',num2str(wucha1)]);
disp(['變權組合預測預測百分絕對方差=',num2str(wucha2*100),'%']);
figure(4)
plot(t,data,'bo-',T,G_zuhe,'r*-'); %原始資料與預測資料的比較
xlabel('年份')
ylabel('用電量');
legend('實際值','變權組合預測值')
title('變權組合預測用電量')
注:完整程式碼或者代寫新增QQ2449341593
相關文章
- 預測維護和預測分析
- 機器學習之迴歸分析--預測值機器學習
- 大模型+電力預測?大模型
- 預測分析 · 員工滿意度預測
- 灰色預測分析
- 機器學習股票價格預測從爬蟲到預測-預測與調參機器學習爬蟲
- 預測數值型資料:迴歸
- 【機器學習】線性迴歸預測機器學習
- 網路流量預測入門(三)之LSTM預測網路流量
- 7.6 模型擬合及預測模型
- 迴歸預測評估指標指標
- 人口預測模型模型
- HEVC幀內預測學習(二) 35種預測模式的計算模式
- 資料預測“加成”,解鎖“預測未來”新玩法!
- ML.NET 示例:迴歸之價格預測
- ML.NET 示例:迴歸之銷售預測
- 資料探勘之預測篇
- 預測性客戶分析之藉助聚類和預測分析優化售後服務(Part 4)聚類優化
- 自能,總結,預測
- 波士頓房價預測
- 機器學習實戰專案-預測數值型迴歸機器學習
- Kaggle入門之房價預測
- Keras速查_CPU和GPU的mnist預測訓練_模型匯出_模型匯入再預測_匯出onnx並預測KerasGPU模型
- 機器學習之分類:預測偏差機器學習
- 使用機器學習預測房價(附連結)機器學習
- 灰色預測java實現Java
- 預測DBserver的儲存量Server
- Mxnet速查_CPU和GPU的mnist預測訓練_模型匯出_模型匯入再預測_匯出onnx並預測GPU模型
- 精確預測相分離蛋白質,同濟&中國科學院機器學習預測器PSPire機器學習
- 基於深度學習的建築能耗預測03——能耗建模深度學習
- 機器學習股票價格預測從爬蟲到預測-資料爬取部分機器學習爬蟲
- 預測區塊鏈與司法的結合區塊鏈
- 預測演算法之多元線性迴歸演算法
- 基於WOA最佳化的CNN-LSTM的時間序列迴歸預測matlab模擬CNNMatlab
- 【數字化十大預測】德勤釋出《2019科技、傳媒和電信行業預測》行業
- 智慧公安一體化,提升風險預知預測能力
- 資料探勘與預測分析(第2版)
- BI預測分析,是否需要那麼精準?