火灾事故的灰色,灰色预测模型

灰色预测模型 应用

灰色预测模型(Gray Forecast Model)是通过少量的、不完全的信息,建立数学模型并做出预测的一种预测方法。是处理小样本(4个就可以)预测问题的有效工具,而对于小样本预测问题回归和神经网络的效果都不太理想。

灰色系统

我们称信息完全未确定的系统为黑色系统,称信息完全确定的系统为白色系统,灰色系统就是这介于这之间,一部分信息是已知的,另一部分信息是未知的,系统内各因素间有不确定的关系。

特点 用灰色数学处理不确定量,使之量化。充分利用已知信息寻求系统的运动规律。灰色系统理论能处理贫信息系统。 灰色生成数列

灰色系统理论认为,尽管客观表象复杂,但总是有整体功能的,因此必然蕴含某种内在规律。关键在于如何选择适当的方式去挖掘和利用它。灰色系统时通过对原始数据的整理来寻求其变化规律的,这是一种就数据寻求数据的现实规律的途径,也就是灰色序列的生产。一切灰色序列都能通过某种生成弱化其随机性,显现其规律性。数据生成的常用方式有累加生成、累减生成和加权累加生成。常用的是累加生成。 设原始数据为 x ( 0 ) = ( x 0 ( 1 ) , x 0 ( 2 ) , … … , x 0 ( n ) ) x^{(0)}=(x^0(1),x^0(2),……,x^0(n)) x(0)=(x0(1),x0(2),……,x0(n))

1.累加生成

x 1 ( 1 ) = x 0 ( 1 ) x^1(1)=x^0(1) x1(1)=x0(1) x 1 ( 2 ) = x 0 ( 1 ) + x 0 ( 2 ) x^1(2)=x^0(1)+x^0(2) x1(2)=x0(1)+x0(2) x 1 ( 3 ) = x 0 ( 1 ) + x 0 ( 2 ) + x 0 ( 3 ) x^1(3)=x^0(1)+x^0(2)+x^0(3) x1(3)=x0(1)+x0(2)+x0(3) … … … x 1 ( n ) = x 0 ( 1 ) + x 0 ( 2 ) + … … + x 0 ( n ) x^1(n)=x^0(1)+x^0(2)+……+x^0(n) x1(n)=x0(1)+x0(2)+……+x0(n) 累加的数据为 x ( 1 ) = ( x 1 ( 1 ) , x 1 ( 2 ) , … … , x 1 ( n ) ) x^{(1)}=(x^1(1),x^1(2),……,x^1(n)) x(1)=(x1(1),x1(2),……,x1(n)) 例如有一组数据的的折线如下 在这里插入图片描述 不能看出数据有什么的规律,但经过累加生成后的结果如下 在这里插入图片描述 看起来就是一个递增的规律(这是20期某大坝变形位移的数据,顺水流方向的形变一定都是正的)

2.加权临值生成

z 0 ( 2 ) = a x 0 ( 2 ) + ( 1 − a ) x 0 ( 1 ) z^0(2)=ax^0(2)+(1−a)x^0(1) z0(2)=ax0(2)+(1−a)x0(1) z 0 ( 3 ) = a x 0 ( 3 ) + ( 1 − a ) x 0 ( 2 ) z^0(3)=ax^0(3)+(1−a)x^0(2) z0(3)=ax0(3)+(1−a)x0(2) z 0 ( 4 ) = a x 0 ( 4 ) + ( 1 − a ) x 0 ( 3 ) z^0(4)=ax^0(4)+(1−a)x^0(3) z0(4)=ax0(4)+(1−a)x0(3) … … … z 1 ( n ) = a x 0 ( n ) + ( 1 − a ) x 0 ( n − 1 ) z^1(n)=ax^0(n)+(1−a)x^0(n-1) z1(n)=ax0(n)+(1−a)x0(n−1) 由此得到的数列称为邻值生成数,权 a a a也称为生成系数。 特别地,当生成系数 α = 0.5 α=0.5 α=0.5时,则称该数列为均值生成数,也称为等权邻值生成数。

灰色模型GM(1,1)

GM代表grey model(灰色模型),GM(1,1)是一阶微分方程模型。

1.数据检验

使用GM(1,1)建模需要对数据进行检验,首先计算数列的级比 λ ( k ) = x 0 ( k − 1 ) x 0 ( k ) , 其 中 k = 2 , 3 , . . . , n λ(k)=\frac{x^0(k−1)}{x^0(k)},其中k=2,3,...,n λ(k)=x0(k)x0(k−1)​,其中k=2,3,...,n 如果所有的级比都落在可容覆盖区间 X = ( e − 2 n + 1 , e 2 n + 1 ) X=(e^{\frac{−2}{n+1}},e^{\frac{2}{n+1}}) X=(en+1−2​,en+12​)内,则数列 x ( 0 ) x^(0) x(0)可以建立GM(1,1)模型进行灰色预测。否则就需要对数据做适当的变换处理,如平移等。

2.构建灰色模型

定义 x ( 1 ) x^{(1)} x(1)的灰导数为 d ( k ) = x 0 ( k ) = x 1 ( k ) − x 1 ( k − 1 ) d(k)=x^0(k)=x^1(k)−x^1(k−1) d(k)=x0(k)=x1(k)−x1(k−1) 令 z 1 ( k ) z^1(k) z1(k)为数列 x 1 x^1 x1的邻值生成数列,即 z 1 ( k ) = a x 1 ( k ) + ( 1 − a ) x 1 ( k − 1 ) z^1(k)=ax^1(k)+(1−a)x^1(k-1) z1(k)=ax1(k)+(1−a)x1(k−1) 于是定义GM(1,1)的灰微分方程模型为 d ( k ) + a z 1 ( k ) = b d(k)+az^1(k)=b d(k)+az1(k)=b 其中, a a a称为发展系数, z 1 ( k ) z^1(k) z1(k)称为白化背景值, b b b称为灰作用量。接下来我们得到如下方程组 x 0 ( 2 ) + a z 1 ( 2 ) = b x^0(2)+az^1(2)=b x0(2)+az1(2)=b x 0 ( 3 ) + a z 1 ( 3 ) = b x^0(3)+az^1(3)=b x0(3)+az1(3)=b . . . ... ... x 0 ( n ) + a z 1 ( n ) = b x^0(n)+az^1(n)=b x0(n)+az1(n)=b 按照矩阵的方法列出 u = [ a b ] , Y = [ x 0 ( 2 ) x 0 ( 3 ) … x 0 ( n ) ] , B = [ − z 1 ( 2 ) 1 − z 1 ( 3 ) 1 … … − z 1 ( n ) 1 ] u= \left[ \begin{matrix} a \\ b \end{matrix} \right], Y= \left[ \begin{matrix} x^0(2) \\ x^0(3) \\ …\\ x^0(n) \end{matrix} \right], B= \left[ \begin{matrix} -z^1(2) & 1\\ -z^1(3) & 1\\ ……\\ -z^1(n) & 1 \end{matrix} \right] u=[ab​],Y=⎣⎢⎢⎡​x0(2)x0(3)…x0(n)​⎦⎥⎥⎤​,B=⎣⎢⎢⎡​−z1(2)−z1(3)……−z1(n)​111​⎦⎥⎥⎤​ 则GM(1,1)就可以表示为 Y = B u Y=Bu Y=Bu,接下来就是求 a a a和 b b b的值,可以使用线性回归或者 ( B T B ) − 1 B T Y (B^TB)^{-1}B^TY (BTB)−1BTY(正规方程)等按照最小二乘的原理来求出 a a a和 b b b的值(这里在列方程时 a a a可以随便写一个数,比如 1 2 \frac{1}{2} 21​,这样 a a a和 ( 1 − a ) (1-a) (1−a)就一样的可以提出来方便写)。

3.预测

相应的白化模型为 d x 1 ( t ) d t + a x 1 ( t ) = b \frac{dx^1(t)}{dt}+ax^1(t)=b dtdx1(t)​+ax1(t)=b 由此得到 x 1 ( t ) 的 解 为 x^1(t)的解为 x1(t)的解为 x 1 ( t ) = ( x 0 ( 1 ) − b a ) e − a ( t − 1 ) + b a x^1(t)=(x^0(1)−\frac{b}{a})e^{−a(t−1)}+\frac{b}{a} x1(t)=(x0(1)−ab​)e−a(t−1)+ab​ 令 t + 1 = t t+1=t t+1=t有 x 1 ( t + 1 ) = ( x 0 ( 1 ) − b a ) e − a + b a , 其 中 k = 1 , 2 , 3 … , n − 1 x^1(t+1)=(x^0(1)−\frac{b}{a})e^{−a}+\frac{b}{a},其中k=1,2,3…,n-1 x1(t+1)=(x0(1)−ab​)e−a+ab​,其中k=1,2,3…,n−1 这就是我们的预测值。

4.检验

灰色模型的精度检验一般有三种方法灰色模型的精度检验一般有三种方法,相对误差大小检验法,关联度检验法和后验差检验法。常用的为后验差检验法。

将预测的 x ^ 1 \hat{x}^1 x^1使用累减生成得到 x ^ 0 \hat{x}^0 x^0 x ^ 0 ( k ) = x ^ 1 ( k ) − x ^ 1 ( k − 1 ) , 其 中 k = 2 , 3 , . . . , n \hat{x}^0(k)=\hat{x}^1(k)−\hat{x}^1(k−1),其中k=2,3,...,n x^0(k)=x^1(k)−x^1(k−1),其中k=2,3,...,n计算残差 e ( k ) = x 0 ( k ) − x ^ 0 ( k ) , 其 中 k = 1 , 2 , … , n e(k)=x^0(k)-\hat{x}^0(k),其中k=1,2,…,n e(k)=x0(k)−x^0(k),其中k=1,2,…,n计算原始序列 x 0 x^0 x0的方差 S 1 S_1 S1​和残差 e e e的方差 S 2 S_2 S2​ S 1 = 1 n ∑ k = 1 n ( x 0 ( k ) − x ˉ ) 2 S_1=\frac{1}{n}\sum^n_{k=1}(x^0(k)-\bar{x})^2 S1​=n1​∑k=1n​(x0(k)−xˉ)2 S 2 = 1 n ∑ k = 1 n ( e ( k ) − e ˉ ) 2 S_2=\frac{1}{n}\sum^n_{k=1}(e(k)-\bar{e})^2 S2​=n1​∑k=1n​(e(k)−eˉ)2计算后验差比 C = S 2 S 1 C=\frac{S_2}{S_1} C=S1​S2​​查表观察效果 模型精度等级均方差比值C1 级(好)C0.65python代码

这里我们使用的网上一个例子,数据是几年的噪声数据,如下 在这里插入图片描述 以下是python代码

# 灰色模型预测import numpy as npimport pandas as pdimport matplotlib.pyplot as pltdir = 'C:/Users/Administrator/Desktop/'data = pd.read_excel(dir+'test.xls', sheetname='Sheet1')data = np.array(data['db'])lens = len(data)# 数据量# 数据检验## 计算级比lambds = []for i in range(1, lens):lambds.append(data[i-1]/data[i])## 计算区间X_min = np.e**(-2/(lens+1))X_max = np.e**(2/(lens+1))## 检验is_ok = Truefor lambd in lambds:if (lambdX_max):is_ok = Falseif (is_ok == False):print('该数据未通过检验')else:print('该数据通过检验')# 构建灰色模型GM(1,1)## 累加数列data_1 = []data_1.append(data[0])for i in range(1, lens):data_1.append(data_1[i-1]+data[i])## 灰导数及临值生成数列ds = []zs = []for i in range(1, lens):ds.append(data[i])zs.append(-1/2*(data_1[i-1]+data_1[i]))## 求a、bB = np.array(zs).reshape(lens-1,1)one = np.ones(lens-1)B = np.c_[B, one]# 加上一列1Y = np.array(ds).reshape(lens-1,1)a, b = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y)print('a='+str(a))print('b='+str(b))# 预测def func(k):c = b/areturn (data[0]-c)*(np.e**(-a*k))+cdata_1_hat = []# 累加预测值data_0_hat = []# 原始预测值data_1_hat.append(func(0))data_0_hat.append(data_1_hat[0])for i in range(1, lens+5):# 多预测5次data_1_hat.append(func(i))data_0_hat.append(data_1_hat[i]-data_1_hat[i-1])print('预测值为:')for i in data_0_hat:print(i)# 模型检验## 预测结果方差data_h = np.array(data_0_hat[0:7]).Tsum_h = data_h.sum()mean_h = sum_h/lensS1 = np.sum((data_h-mean_h)**2)/lens## 残差方差e = data - data_hsum_e = e.sum()mean_e = sum_e/lensS2 = np.sum((e-mean_e)**2)/lens## 后验差比C = S2/S1## 结果if (C
不服火灾事故认定怎么办-法律知识|华律网基于灰色系统理论的城市火灾预测分析_文档下载基于灰色关联的LS-SVM道路交通事故预测 - 计算机应用研究 ...警惕“灰犀牛”事件丨商丘“12·17”重大火灾事故分析及启示 ...蔡奇:“北京大兴致19人死亡火灾”事故教训极其深刻 | 界面新闻中国近年最大的火灾事故安徽致5死5伤的火灾事故报告:护士用蚊香所致|界面新闻 · 快讯灰色预测模型_欧阳罢笔的博客-CSDN博客_灰色预测模型3死2伤!今晨浦东发生重大火灾事故,上海推三大举措源头 ...WebGL 3D 工业隧道监控实战2021年氧化工艺考试题库及氧化工艺考试技巧2021年聚合工艺考试及聚合工艺考试技巧2021年熔化焊接与热切割考试报名及熔化焊接与热切割免费试题2021年熔化焊接与热切割考试及熔化焊接与热切割复审模拟考试“怕被电死”-电气类超级基础常识2021年熔化焊接与热切割新版试题及熔化焊接与热切割模拟考试物联网无人机:无人机应用实例及分析(基于XBee模块)2021年氧化工艺最新解析及氧化工艺考试资料基于 HTML5 的 2D/3D 渲染引擎,实现智慧隧道监控可视化系统从在线数据库下载影像新基建下,智慧交通发展新规划:智慧隧道监控可视化系统树形列表成员- DevExpress.XtraTreeList.TreeList2021年熔化焊接与热切割复审考试及熔化焊接与热切割模拟考试题库基于3DGIS+BIM的智慧园区运维管理平台2021年特种作业操作证2021年焊工证熔化焊接与热切割考试题库解析遥感在气象中的信息提取2021年氧化工艺考试及氧化工艺考试技巧2021年熔化焊接与热切割考试题及熔化焊接与热切割模拟考试题2020年熔化焊接与热切割考试及熔化焊接与热切割考试资料Processing 入门20个与颜色相关的基本术语,你需要了解一下2021年熔化焊接与热切割考试题库与解析
词曲部词采第二琴棋书画的文艺思想史意义aj1黑绿脚趾真品与假货黑绿脚趾真假电影速成读本pdf新学期蓄势待发附中人逐梦起航永远的经典!经典配音电影《基督山伯爵》英文简历模板10套云网盘免费下载夫人每天都在线打脸第555章承哥发飙人物专访潘家华小学生观察含羞草的作文咸宁市赤壁市十大旅游景点233神途怀恋版游戏下载暂未上线大学生创新创业服务中心概况双创概况暗网里面的恐怖图片彦宏《交换游戏》梦见自己挖坑埋石头安全教育活动名称慧开头的5字词语天气的四字词语有哪些第3472章惨烈战斗12333上海公共招聘网网站主页