数学建模学习笔记

数学建模学习笔记

现学现卖,随缘更新QwQ
主要根据b站大师兄的视频整理而成,有不懂的可以去看原视频

List

  • 数学建模学习笔记
  • 一、 层次分析法
    • 1.1 矩阵的一致性及其检验
    • 1.2 权重计算
    • 1.3 具体流程
  • 二、模糊综合评测
    • 2.1 隶属函数
    • 2.2 隶属函数的确定方法
    • 2.3 模糊综合评测
  • 三、熵权法
    • 3.1 正向化与标准化
    • 3.2 流程
  • 四、TOPSIS优劣解距离法
  • 五、灰色关联分析
    • 5.1 前置定义
    • 5.2 流程
  • 六、线性规划
    • 6.1 基本定义
    • 6.2 标准型
    • 6.3 整数线性规划
    • 6.4 一点补充
  • 七、非线性规划
  • 八、图论与最短路算法
  • 九、网络流模型
  • 十、微分方程
  • 十一、插值与拟合
  • 十二、时间序列
    • 12.1 分类及其结合
    • 12.2 时间序列预测方法
    • 12.3 趋势模型
    • 12.4 季节性(周期性)模型
    • 12.5 时间序列的平稳性
  • 十三、旅行商问题
  • 十四、聚类分析入门


一、 层次分析法

1.1 矩阵的一致性及其检验

对于矩阵 A A A a i j a_{ij} aij表示第i个因素的重要程度是第j个因素的A[i][j]倍。
若矩阵A满足: a i j a_{ij} aij * a j k a_{jk} ajk = a i k a_{ik} aik,则称A为 一致矩阵,否则称为 不一致矩阵
对于一致矩阵A,有如下 三条性质

  1. r a n k ( A ) rank(A) rank(A) = 1,且唯一非零特征根为n
  2. A的任意列向量都是对于特征根n的特征向量

上述性质告诉我们,只要满足两两行/列 成倍数关系,就是一致性矩阵。
对于不一致矩阵,其最大特征根 λ m a x \lambda_{max} λmax>n, λ \lambda λ 与n相差越大,其不一致程度越大。由此,给出一致性检验指标 C I CI CI = λ m a x − n n − 1 \frac{ \lambda_{max} - n} {n-1} n1λmaxn 其中 λ m a x \lambda_{max} λmax表示最大特征值。CI越大,表示一致性越差,越接近0则一致性越好。
由于 C I CI CI受随机因素影响,阶数n越大,该因素越显著。为了衡量 C I CI CI的大小,引入 R I RI RI表示随机一致性指标,并以 一致性比例 C R CR CR= C I R I \frac{CI}{RI} RICI 作为判断依据。若 C R CR CR<0.1,则认为判断矩阵的一致性可以接受,否则需要对判断矩阵进行修正,若不满足,则需构造出更多的倍数关系,直至 C R CR CR < 0.1

1.2 权重计算

层次分析法的最终目的就是获得不同要素的权重,以便于后续进行加权平均。具体地,先将每一列进行 归一化,也即将 a i j a_{ij} aij替换为 a i j ∑ i = 1 n a i j \frac{ a_{ij} }{\sum_{i=1}^{n}a_{ij}} i=1naijaij
然后,对于非一致矩阵,将 W i = ∑ j = 1 n a i j n W_i=\frac{\sum_{j=1}^{n}a_{ij}}{n} Wi=nj=1naij作为第i个要素的权重。这种求权重的方法称为算数平均求权重。由于一致矩阵各列成比例,所以只需取第一列即可,不需要进行算术平均。
另一种求权重的方式为:将最大特征值对应的特征向量进行归一化,第i个分量的值即为 W i W_i Wi。这种方法称为特征值法求权重
这种方法较于前一种方法更加方便使用,因而在实际比赛和科研中建议使用特征值法。

1.3 具体流程

  1. 根据专家意见、问卷调查等方式获得判断矩阵 A A A,并对 A A A进行一致性检验,若 C R CR CR<0.1,认为一致性检验通过,否则构造新的判断矩阵
  2. 将判断矩阵各个列进行归一化,随后对每一行求算数平均,所得即为权重

层次分析法是一种主观确定权重的方式,后续还会有客观确定权重的方式——熵权法

二、模糊综合评测

一般的对立集合具有排中律,即“非此即彼”,而对于不满足排中律的情况,则需要引入隶属函数衡量每个元素对于不同集合的隶属度。换句话说,就是对于一个论域 U U U 构造一个函数 f : U → [ 0 , 1 ] f:U \rightarrow [0,1] f:U[0,1],以评判 U U U中每一个元素的隶属度。与层次分析法一样,这种方法也属于主观评价方法。

2.1 隶属函数

对于模糊集合 A = “年轻”, U = ( 0 , 120 ) A=“年轻”,U=(0,120) A=年轻U=(0,120),定义隶属函数 μ A \mu_A μA
μ A = { 1 , 0 < x < 20 40 − x 20 , 20 ≤ x ≤ 40 0 , 40 < x < 120 \mu_A = \begin{cases} 1,0<x<20\\ \displaystyle\frac{40-x}{20},20≤x≤40\\ 0,40<x<120 \end{cases} μA= 10<x<202040x20x40040<x<120
可以看到,这个函数对U中每一个元素都给出了一个对于 A A A的隶属度,越大则越符合。
模糊集合的表示方法包括扎德表示法,序偶表示法,向量表示法等。
序偶表示法: { ( x 1 , A ( x 1 ) ) , ( x 2 , A ( x 2 ) ) . . . ( x n , A ( x n ) } \{(x_1,A(x_1)),(x_2,A(x_2))...(x_n,A(x_n)\} {(x1,A(x1)),(x2,A(x2))...(xn,A(xn)}
向量表示法: A = { A ( x 1 ) , A ( x 2 ) . . . A ( x n ) } A=\{A(x_1),A(x_2) ... A(x_n)\} A={A(x1),A(x2)...A(xn)}
当U为无限集时,定义 A = ∫ x ∈ U μ A ( x ) x d x A=\displaystyle\int_{x\in U} \frac{\mu_A(x)}{x} dx A=xUxμA(x)dx

上面例子中 A = “年轻” A=“年轻” A=年轻属于极小型,因为值越小隶属度应当越高。对于这类集合,其隶属函数应形如:
μ A = { 1 , x < a b − x b − a , a ≤ x ≤ b 0 , x > b \mu_A = \begin{cases} 1,x<a\\ \displaystyle\frac{b-x}{b-a},a≤x≤b\\ 0,x>b \end{cases} μA= 1x<ababxaxb0x>b
相应地,对于极大型 ,其形式为:
μ A = { 0 , x < a x − b b − a , a ≤ x ≤ b 1 , x > b \mu_A = \begin{cases} 0,x<a\\ \displaystyle\frac{x-b}{b-a},a≤x≤b\\ 1,x>b \end{cases} μA= 0x<abaxbaxb1x>b
对于中间型,其左侧为极大型函数,右侧为极小型函数,不作赘述。
上面的构造方法称为梯形型,事实上还存在k次抛物型、柯西型、正态型等等,在需要时可以自行查阅。

2.2 隶属函数的确定方法

确定隶属函数有模糊统计、F分布、三分法等,至少应该满足如下条件:

  1. 极小型集合的下界a,小于a的元素均不属于其他集合(极大型同理)
  2. 增长趋势应符合主观经验

2.3 模糊综合评测

对于一级模糊综合评价,遵循如下步骤:

  1. 确定因素集 U U U,例如 {工作业绩、工作态度、沟通能力},评语集 V V V,例如 {好,较好,中,差,很差}
  2. 确定各因素( U U U中各个元素)的权重,若无数据可采用层次分析法,若给出数据则使用熵权法的TOPSiS,也可以不确定权重
  3. 对每个 u i u_i ui,确定其对于每个 v j v_j vj的隶属度,对指标 u i u_i ui的评判记作: R = [ r i 1 , r i 2 … r i n ] R=[r_{i1},r_{i2}\dots r_{in}] R=[ri1,ri2rin] ,其中 r i j r_{ij} rij表示 u i u_i ui对于 v j v_j vj的隶属度。
  4. 对每一列进行加权平均(即左乘行向量),取数值最大的评语作为最后综合评判结果

若将评语集更改为方案集,上述流程可以判断出哪个方案最优! 此时也可称评语集不带有评价色彩
类似地,对于因素集中、指标过多时,可根据相关性将因素归纳成一个个小集合,从而进行模糊综合评价的嵌套,也即多级模糊综合评测

三、熵权法

信息熵是衡量混乱程度的量,其定义为:
H ( X ) = ∑ i = 1 n [ p ( x i ) I ( x i ) ] = − ∑ i = 1 n [ p ( x i ) l n ( p ( x i ) ) ] H(X)=\sum_{i=1}^n[p(x_i)I(x_i)]=-\sum_{i=1}^n[p(x_i)ln(p(x_i))] H(X)=i=1n[p(xi)I(xi)]=i=1n[p(xi)ln(p(xi))]
其中 I ( x i ) = − l n ( p ( x i ) ) I(x_i)=-ln(p(x_i)) I(xi)=ln(p(xi))表示 x i x_i xi的信息量。根据公式,可以将信息熵理解为对信息量的期望值。信息熵越大,所当前状态的混乱程度最大,也即掌握的信息最少(信息的本质就是减少混乱程度,增大确定性),以该指标衡量对象的可靠性越差,信息有效性也就越小。

3.1 正向化与标准化

在应用熵权法之前,要先对数据进行正向化处理。指标大致可分为四类:极小型(越小越好)、极大型(越大越好)、中间型(越接近越好),区间型(落在区间内最好)。我们的目标是将其余三种类型转换为极大型。

  • 将极小型转化为极大型,公式为 m a x − x max-x maxx 1 x ( x > 0 ) \displaystyle\frac{1}{x}(x>0) x1(x>0) m a x max max表示该指标下的最大值;
  • 中间型转化为极大型,公式为 x ~ i = 1 − ∣ x i − x b e s t ∣ M \displaystyle\tilde x_i = 1-\frac{\left|x_i-x_{best}\right|}{M} x~i=1Mxixbest,其中 M = m a x { ∣ x i − x b e s t ∣ } M=max\{\left|x_i-x_{best}\right| \} M=max{xixbest}表示指标下的最大偏差;
  • 区间型转化为极大型,方式类似于中间型隶属函数 x ~ i = { 1 − a − x i M , x i < a 1 1 , a ≤ x i ≤ b 1 − x i − b M , x i ≥ b \displaystyle\tilde x_i = \begin{cases} 1-\frac{a-x_i}{M},x_i<a_1\\ 1,a\le x_i \le b\\ 1-\frac{x_i-b}{M},x_i\ge b \end{cases} x~i= 1Maxixi<a11axib1Mxibxib,其中 M = m a x { a − m i n , m a x − b } M=max\{a-min,max-b\} M=max{amin,maxb}为最值到边界的最大距离。
  • 对于极大型,若存在负元素,则可将每一个元素替换为 x − m i n x-min xmin

这样,三类数据都可以用极大型指标的方式呈现,且均非负。
随后,为了消除量纲的影响,对每个数据进行标准化。设标准化后的矩阵为 Z Z Z,则 Z Z Z满足: z i j = x i j ∑ i = 1 n x i j 2 \displaystyle z_{ij}=\frac{x_{ij}}{\sqrt{\sum_{i=1}^n x_{ij}^2}} zij=i=1nxij2 xij
对每一列再做归一化,得到的矩阵 P P P称为比重矩阵

3.2 流程

  1. 对数据进行正向话、标准化与归一化,最终得到矩阵 P P P
  2. 令信息熵 e j = − 1 ln ⁡ n p i j ln ⁡ ( p i j ) ( j = 1 , 2 , … , m ) e_j=-\frac{1}{\ln n}p_{ij} \ln (p_{ij})(j=1,2,\dots ,m) ej=lnn1pijln(pij)(j=1,2,,m),注意这里新增了 − 1 ln ⁡ n -\frac{1}{\ln n} lnn1,以将结果规范到[0,1]之间
  3. 由此得到信息效用值 d j = 1 − e j d_j=1-e_j dj=1ej,再将信息效用值归一化,得到熵权 W j = d j / ∑ j = 1 m d j ( j = 1 , 2 , … , m ) W_j = d_j/\sum_{j=1}^m d_j (j=1,2,\dots,m) Wj=dj/j=1mdj(j=1,2,,m)

四、TOPSIS优劣解距离法

该方法用于衡量某一个方案的优劣,具体思想是将每个衡量对象的指标标准化后分析其与最优解与最劣解的距离,进而得出最优解。

  1. 将数据化为 n × m n \times m n×m的矩阵 A A A,n表示待评测对象个数,m表示指标个数。将 A A A进行正向化、标准化;
  2. 选出各个指标下最大值 M i M_i Mi与最小值 m i m_i mi(也即每一列最大值),组成最优解向量 M M M与最劣解向量 m m m
  3. 对每个待衡量对象(也即 A A A的每个行向量)计算其与 M M M m m m的欧氏距离,分别记作 D i + D_i^+ Di+ D i − D_i^- Di,定义该对象的得分 S i = D i − D i + + D i − \displaystyle S_i=\frac{D_i^-}{D_i^+ + D_i^-} Si=Di++DiDi S i S_i Si越大,说明该对象越优,反之则越劣。

如果要考虑权重,则需将距离计算公式改为 ∑ i = 1 m w i ( x i − y i ) 2 \sqrt{\sum_{i=1}^m w_i(x_i-y_i)^2} i=1mwi(xiyi)2 的形式即可,权重的获取方法如上述。

五、灰色关联分析

灰色关联分析用于处理已知信息较少的问题,通过分析大致趋势的贴合程度得出各个影响因素的重要程度。

5.1 前置定义

  • 参考序列(母序列):能反映系统行为特征的数据序列,记作 x 0 x_0 x0,类似于“因变量”。
  • 比较序列(子序列):影响系统行为的因素组成的数据序列,记作 x i ( i = 1 , 2 , … n ) x_i(i=1,2,\dots n) xi(i=1,2,n),类似于“自变量”。
  • 两级最小差 a = m i n s , t ∣ x 0 ( t ) − x s ( t ) ∣ a=min_{s,t} \left| x_0(t)-x_s(t)\right| a=mins,tx0(t)xs(t)
  • 两级最大差 b = m a x s , t ∣ x 0 ( t ) − x s ( t ) ∣ b=max_{s,t} \left| x_0(t)-x_s(t)\right| b=maxs,tx0(t)xs(t)

在这里,我们引入新的去除量纲的方法,即对每个指标中的元素除以该指标的均值。

5.2 流程

  1. 对数据进行预处理(正向化,去除量纲等等),并计算出两级最大/小差;
  2. 对每个元素定义 γ ( x 0 ( k ) , x i ( k ) ) = a + ρ b ∣ x 0 ( k ) − x i ( k ) ∣ + ρ b \gamma (x_0(k),x_i(k))=\displaystyle\frac{a+\rho b}{\left| x_0(k)-x_i(k)\right| + \rho b} γ(x0(k),xi(k))=x0(k)xi(k)+ρba+ρb,其中 ρ \rho ρ称为分辨系数,一般取值为0.5;
  3. 将各指标曲平均值作为该序列的灰色关联度,即 γ ( x 0 , x i ) = 1 n ∑ k = 1 n γ ( x 0 ( k ) , x i ( k ) ) \gamma(x_0,x_i)=\displaystyle\frac{1}{n}\sum\limits_{k=1}^{n}\gamma (x_0(k),x_i(k)) γ(x0,xi)=n1k=1nγ(x0(k),xi(k)),值越大,表明该因素与系统行为关联越大。

具体操作中有一些excel的小技巧,详见 大师兄的讲解视频

六、线性规划

数学规划是一类针对有限制的关系寻求最优解的方法。若关系及其限制均为线性,则称这类规划为线性规划

6.1 基本定义

  • 决策变量:即对最优解有影响的因素
  • 目标函数:形如 y = a 1 x 1 + a 2 x 2 + … a n x n y=a_1x_1+a_2x_2+\dots a_nx_n y=a1x1+a2x2+anxn,规划目标即为求得y的最大/小值
  • 约束条件:形如 b p 1 x p 1 + b p 2 x p 2 + … b p n x p n ≤ ( 或 ≥ ) c b_{p1}x_{p1}+b_{p2}x_{p2}+\dots b_{pn}x_{pn} \leq (或\geq) c bp1xp1+bp2xp2+bpnxpn()c,表示对决策变量的限制条件

针对这类问题,一般采取拉格朗日乘数法,由于实际应用中可以直接调用函数求解,故不作介绍。

6.2 标准型

调用MATLAB要求对输入数据进行标准化。引入线性规划的标准型:
min ⁡ f T x , s . t . { A ⋅ x ≤ b A e q ⋅ x = b e q l b ≤ x ≤ u b \min f^T x,s.t. \begin{cases} A \cdot x\leq b\\ Aeq \cdot x = beq\\ lb \leq x \leq ub \end{cases} minfTx,s.t. AxbAeqx=beqlbxub
其中 f T f^T fT为系数向量 [ c 1 , c 2 , ⋯ c n ] [c_1,c_2, \cdots c_n] [c1,c2,cn]
在MATLAB中,求解函数格式为:

[x,val] = linprog(f, A, b. Aeq, beq, lb, ub)
% 若某项约束不存在则在对应位置填"[]"

其中 x 为目标函数取得最小值时各个变量的取值,val 表示目标函数的最小值
由于最开始给定的数据往往不满足上述形式,所以往往需要先进行预处理。

在实际建模中,我们也常常能见到多个目标函数的情况,例如,投资问题中,我们往往希望风险尽可能低,收益尽可能高。这时,我们可以定义它们的加权平均为新的目标函数。也可以通过将其余目标化为限制条件,进而保证目标函数只有一个,比如认为只要风险小于一定程度即认为可行,将收益最大化。

6.3 整数线性规划

整数线性规划,即部分或全部决策因素只能为整数的一类问题,在MATLAB中也有直接对应的函数,即:

[x,val] = intlinprog(f, intcon,  A, b, Aeq, beq, lb, ub)

注意到,intlinprog 相较于 linprog 新增了 intcon 这一参数,用来指定哪些变量为整数,例如决策变量 x 1 , x 2 , x 3 x_1,x_2,x_3 x1,x2,x3中第一个和第三个为整数,则 intcon=[1,3]

这里引入一个特殊的整数规划模型——0-1整数规划,即变量只能取0或1。落实到函数中,只需要令上述函数中lb=0,ub=1即可。
下面给出对应例题,依次为 0-1背包问题指派问题
0-1背包问题
指派问题
对于整数规划,一个常见误解是只要对线性规划所得解进行简单取整就可以了。事实上,整数线性规划虽然与一般线性规划有许多联系,但绝不能粗暴地以取整相联系。
不过,根据这个思路,我们可以在一般线性规划的最优解附近寻找整数可行解,这种方法称为 完全枚举法;也可以通过将最优解中非整数元素 x i x_i xi作为对整数域的分割点,分别对 { y i ∈ Z ∣ y i ≥ ⌊ x i ⌋ + 1 } \{ y_i \in \mathbb{Z}|y_i \geq \lfloor x_i\rfloor + 1 \} {yiZyixi+1} { y i ∈ Z ∣ y i ≤ ⌊ x i ⌋ } \{ y_i \in \mathbb{Z}|y_i \leq \lfloor x_i\rfloor \} {yiZyixi⌋}两个集合进行讨论,直到所有领域都讨论完 或 找到整数最优解为止。这种方法称为分枝定界法

6.4 一点补充

对于 非线性规划,一些典型的处理方法包括 蒙特卡洛模拟,即用大量随机试验得出最终结果,我们将会在后续予以介绍。
作业1
这道题可以采用0-1整数规划的思维,对应的方程组·为:
{ max ⁡ y = ∑ i = 1 10 c i x i ∑ i = 1 10 w i x i ≤ 30 x i ∈ { 0 , 1 } , i = 1 , 2 , ⋯ 10 \left \{ \begin{array}{c} \max y=\sum\limits_{i=1}^{10}c_i x_i \\ \sum\limits_{i=1}^{10} w_i x_i \leq 30 \\ x_i \in \{ 0,1 \},i=1,2, \cdots 10 \end{array} \right. maxy=i=110cixii=110wixi30xi{0,1}i=1,2,10
该题也是动态规划的经典例题,可以思考如何设计状态转移方程。

七、非线性规划

若存在某些限制 或 目标函数 不满足线性形式,即并非所有因素的幂次均为1,则称这类问题为非线性规划。在MATLAB中,同样有一个求解函数—— fmincon

[x,val]=fmincon(@f, x0, A, b, Aeq, beq, lb, ub, @nonlcun, option)

对于新引入的变量:

  • @f:目标函数,定义在外部
  • x0:初始值,由于求出来的只能是局部最优解,所以必须设定
  • option:求解方法,有interior-point(内点法)、sqp(序列二次规范法)、active-set(有效集法)、trust-region-reflective(信赖域反射算法)
  • @nonlcun调用了一个定义在外部的非线性部分的约束(也可以定义在脚本内部)

虽然该算法只能求出局部最优解,但是如果设立多个初始值,则可能得到全局最优解(类似于蒙特卡洛的思想)。具体实现参看下图(对不起我太懒了)
具体实现
在这里插入图片描述

八、图论与最短路算法

关于这部分内容,由于信息竞赛出身,就不赘述了。这里列出一条大纲,可以根据大纲配合网络资料学习 (以后有时间再回来填坑)

  1. 图的定义与表示方法
  2. 最短路模型与求解算法:
    (1) Dijkstra算法:非负边权单源最短路,贪心思想
    (2) Bellman_Ford算法:能解决存在负边权的模型并判断是否有负权环(此时无最短路),利用n-1次松弛求出最优解,复杂度较大
    (3)Floyd算法:三重循环给出无向图任意两点间的最短距离

在MATLAB中,已经有了对应的求解函数——shortestpath

[P, d] = shortestpath (G, start, end, ['method', algorithm])
  • G:要求解的图
  • start:起始节点
  • end:目标节点
  • [‘method’,algorithm]
  • P:最短路径经过的节点序列
  • d:最短距离

九、网络流模型

碎碎念:学信息竞赛的时候就被这种算法的魅力折服了,因为它真的好神奇,但也是真的难……
求解算法的实现就是简单的模板,难就难在如何判断某个问题能否划归为网络流问题,
关于这部分的算法原理以及C++实现,参看我之前写的一篇文章,包含最大流、最小割与费用流。
在MATLAB中,求解最大流的函数为 graphmax

[Maxflow, FlowMatrix, Cut] = graphmaxflow(matrix, vs, vt)
  • matrix: 要求解的有向图的稀疏矩阵
  • vs;源点
  • vt:汇点
  • Maxflow:最大流
  • FlowMatrix:包含每条边所有流量的稀疏矩阵
  • Cut:计算发点与终点的最小切合后链接起点的逻辑行向量,如果有多个解表示为一个矩阵

对于费用流,不断地在残量网络上进行最短路算法即可。

十、微分方程

微分方程与其说是一个模块,不如说是一种思想,一类问题。面对变化趋势与函数值关联的问题时,我们往往需要建立微分方程来进行刻画,例如:传染病模型,弹簧振动方程等等。
(后面有机会再填坑吧)

十一、插值与拟合

插值与拟合都是分析数据大致分布的方式,数据少而精确,往往用插值;数据多而低精度,往往用拟合。
插值与拟合在MATLAB中都有相应的算法,需要根据具体需要选择合适的拟合方式。
(后面有机会再回来填坑)

十二、时间序列

时间序列,简而言之,就是按时间顺序排列的数据。

12.1 分类及其结合

根据时间对数据的影响,可分为以下几类:

  • 长期趋势变动:长期上升或下降
  • 季节变动:仅受季节因素影响
  • 循环变动:存在周期性
  • 随机变动:与时间无关

我们常见的数据往往是这四类数据以 加法乘法 的方式结合起来,例如:若“羽绒服销量”呈现同比增长的趋势,则应将长期趋势变动程度 与 季节变动程度 相乘。

12.2 时间序列预测方法

某一时刻的数据受最近的数据影响程度较大,而受相对久远的数据影响较小。根据这一思想,要想构建函数进行分析预测,需要引入与时间有关的权值函数 f ( t ) f(t) f(t)
长期趋势变动类型中, f ( t ) f(t) f(t)需要对 t 单调递增。最简单的思路是取 待预测时间点的前n项 取平均,其余项不做考虑,该方法称为 移动平均法(MA),此时
f n ( t ) = { 1 n , t 0 − t ≤ n 0 , t 0 − t > n f_n(t) = \begin{cases} \frac{1}{n},t_0-t \leq n\\ 0,t_0-t>n \end{cases} fn(t)={n1,t0tn0,t0t>n
同样地,可以对移动平均法得到的数据进行二次或更多次移动平均。
这种方式显然是十分粗暴的。一般来说, f ( t ) f(t) f(t)是随t增大而平滑上升的。于是,我们构建这样一个递推式:
x ^ t + 1 = α x t + α ( 1 − α ) x ^ t \hat x_{t+1} = \alpha x_t + \alpha (1 - \alpha)\hat x_t x^t+1=αxt+α(1α)x^t

  • x ^ t + 1 \hat x_{t+1} x^t+1 :对第t+1个时刻的预测值
  • x t x_t xt表示t时刻的观测值。此时,越接近当下的数据项,其对应的权重越大

这种方法称为简单指数平滑法 α \alpha α被称为平滑系数。这种方法无法分析具有趋势的情况,只是单纯地调整了权重。

12.3 趋势模型

在此基础上,我们引入霍特线性趋势模型,其具体方程组如下:
{ l t = α x t + ( 1 − α ) ( l t − 1 + b t − 1 ) (水平平滑方程) b t = β ( l t − l t − 1 ) + ( 1 − β ) b t − 1 (趋势平滑方程) x ^ t + h = l t + h b t (预测方程) \left\{ \begin{array}{} l_t=\alpha x_t + (1 - \alpha )(l_{t-1} + b_{t-1})(水平平滑方程) \\ b_t=\beta(l_t - l_{t-1}) + (1 - \beta)b_{t-1}(趋势平滑方程)\\ \hat x_{t+h} = l_t + hb_t (预测方程) \end{array} \right . lt=αxt+(1α)(lt1+bt1)(水平平滑方程)bt=β(ltlt1)+(1β)bt1(趋势平滑方程)x^t+h=lt+hbt(预测方程)

  • t t t:当前期
  • h h h:预测超前期数
  • x t x_t xt:第t期的实际观测值
  • l t l_t lt:时刻t的预估水平
  • b t b_t bt:时刻t的预测趋势
  • α \alpha α:水平的平滑参数
  • β \beta β:趋势的平滑参数

我们已经能够看到,这里在继承简单平滑法(水平平滑)的基础上,又引入了对未来趋势的分析(趋势平滑),平滑系数则起到了平衡“惯性”(旧有预测)与“变化”(新增信息)的作用。
然而,这个模型依旧是不够理想的,且往往会出现预测过度的情况,所以后人又增加了“阻尼系数”的概念,用以抑制未来某一时刻的趋势,这一模型称为阻尼趋势模型
{ l t = α x t + ( 1 − α ) ( l t − 1 + ϕ b t − 1 ) (水平平滑方程) b t = β ( l t − l t − 1 ) + ( 1 − β ) ϕ b t − 1 (趋势平滑方程) x ^ t + h = l t + ( ϕ + ϕ 2 + ⋯ + ϕ h ) b t (预测方程) \left\{ \begin{array}{} l_t=\alpha x_t + (1 - \alpha )(l_{t-1} + \phi b_{t-1})(水平平滑方程) \\ b_t=\beta(l_t - l_{t-1}) + (1 - \beta)\phi b_{t-1}(趋势平滑方程)\\ \hat x_{t+h} = l_t + (\phi + \phi ^2 + \cdots +\phi ^h)b_t (预测方程) \end{array} \right . lt=αxt+(1α)(lt1+ϕbt1)(水平平滑方程)bt=β(ltlt1)+(1β)ϕbt1(趋势平滑方程)x^t+h=lt+(ϕ+ϕ2++ϕh)bt(预测方程)

  • t t t:当前期
  • h h h:预测超前期数
  • x t x_t xt:第t期的实际观测值
  • l t l_t lt:时刻t的预估水平
  • b t b_t bt:时刻t的预测趋势
  • α \alpha α:水平的平滑参数
  • β \beta β:趋势的平滑参数
  • ϕ \phi ϕ:阻尼系数, 0 < ϕ ≤ 1 0<\phi \leq 1 0<ϕ1

容易发现,当阻尼系数为1时,该模型退化为霍特线性模型。

12.4 季节性(周期性)模型

季节性的预测不同于上个模型的环比推导,更注重同期的比较。
{ l t = α ( x t − s t − m ) + ( 1 − α ) l t − 1 , (水平平滑方程) s t = γ ( x t − l t − 1 ) + ( 1 − γ ) s t − m , (季节平滑方程) x ^ t + h = l t + s t + h − m ( k + 1 ) , k = ⌊ h − 1 m ⌋ , (预测方程) \begin{cases} l_t=\alpha (x_t-s_{t-m})+(1 - \alpha )l_{t-1},(水平平滑方程)\\ s_t = \gamma (x_t - l_{t-1}) + (1 - \gamma )s_{t-m},(季节平滑方程)\\ \hat x_{t+h} = l_t + s_{t+h-m(k+1)},k=\lfloor \frac{h-1}{m} \rfloor ,(预测方程)\\ \end{cases} lt=α(xtstm)+(1α)lt1,(水平平滑方程)st=γ(xtlt1)+(1γ)stm,(季节平滑方程)x^t+h=lt+st+hm(k+1),k=mh1,(预测方程)

  • m m m:周期长度
  • α \alpha α:水平平滑参数
  • γ \gamma γ:季节平滑参数
  • h h h:预测超前期数
  • x ^ t + h \hat x_{t+h} x^t+h:第h期的预测值

与上一个模型复合起来,得到的模型可以更好地刻画增长趋势。
霍特-温特季节性加法模型,应用于较为稳定的、有季节性特征的情况
{ l t = α ( x t − s t − m ) + ( 1 − α ) ( l t − 1 + b t − 1 ) , (水平平滑方程) b t = β ( l t − l t − 1 ) + ( 1 − β ) b t − 1 , (趋势平滑方程) s t = γ ( x t − l t − 1 − b t − 1 ) + ( 1 − γ ) s t − m , (季节平滑方程) x ^ t + h = ( l t + h b t ) s t + h − m ( k + 1 ) , k = ⌊ h − 1 m ⌋ , (预测方程) \begin{cases} l_t=\alpha (x_t-s_{t-m})+(1 - \alpha )(l_{t-1} + b_{t-1}),(水平平滑方程)\\ b_t=\beta(l_t-l_{t-1})+(1 - \beta)b_{t-1},(趋势平滑方程)\\ s_t = \gamma (x_t - l_{t-1} - b_{t-1}) + (1 - \gamma )s_{t-m},(季节平滑方程)\\ \hat x_{t+h} = (l_t + hb_t) s_{t+h-m(k+1)},k=\lfloor \frac{h-1}{m} \rfloor ,(预测方程)\\ \end{cases} lt=α(xtstm)+(1α)(lt1+bt1),(水平平滑方程)bt=β(ltlt1)+(1β)bt1,(趋势平滑方程)st=γ(xtlt1bt1)+(1γ)stm,(季节平滑方程)x^t+h=(lt+hbt)st+hm(k+1),k=mh1,(预测方程)
霍特-温特季节性阻尼趋势模型,应用于稳定性不太强的情况。
{ l t = α x t s t − m + ( 1 − α ) ( l t − 1 + ϕ b t − 1 ) , (水平平滑方程) b t = β ( l t − l t − 1 ) + ( 1 − β ) ϕ b t − 1 , (趋势平滑方程) s t = γ x t l t − 1 + ϕ b t − 1 + ( 1 − γ ) s t − m , (季节平滑方程) x ^ t + h = ( l t + ( ϕ + ϕ 2 + ⋯ + ϕ h ) b t ) s t + h − m ( k + 1 ) , k = ⌊ h − 1 m ⌋ , (预测方程) \begin{cases} \displaystyle l_t=\alpha \frac{x_t}{s_{t-m}}+(1 - \alpha )(l_{t-1} + \phi b_{t-1}),(水平平滑方程)\\ b_t=\beta(l_t-l_{t-1})+(1 - \beta)\phi b_{t-1},(趋势平滑方程)\\ \displaystyle s_t = \gamma \frac{x_t}{l_{t-1} +\phi b_{t-1}} + (1 - \gamma )s_{t-m},(季节平滑方程)\\ \hat x_{t+h} =( l_t + (\phi + \phi ^2 + \cdots +\phi ^h)b_t) s_{t+h-m(k+1)},k=\lfloor \frac{h-1}{m} \rfloor ,(预测方程)\\ \end{cases} lt=αstmxt+(1α)(lt1+ϕbt1),(水平平滑方程)bt=β(ltlt1)+(1β)ϕbt1,(趋势平滑方程)st=γlt1+ϕbt1xt+(1γ)stm,(季节平滑方程)x^t+h=(lt+(ϕ+ϕ2++ϕh)bt)st+hm(k+1),k=mh1,(预测方程)
总结

12.5 时间序列的平稳性

平稳性指性质与观测时间无关的序列,因此,具有趋势或季节性的时间序列不是平稳的。值得注意的是,仅具有周期性行为的时间序列平稳的,因为周期长度不固定,我们预先不知道周期的波峰或波谷在哪。
若时间序列 { x t } \{x_t \} {xt}满足以下三个条件:
(1) E ( x t ) = E ( x t − s ) = u E(x_t)=E(x_{t-s})=u E(xt)=E(xts)=u(均值为固定常数)
(2) V a r ( x t ) = V a r ( x t − s = σ 2 Var(x_t) = Var(x_{t-s}=\sigma ^2 Var(xt)=Var(xts=σ2(方差存在且为常数)
(3) C o v ( x t , x t − s ) = γ s Cov(x_t,x_{t-s})=\gamma _s Cov(xt,xts)=γs(协方差只和间隔s有关,与t无关)
则称 x t {x_t} xt协方差稳定
要判断序列是否平稳,我们一般通过检查自相关系数ACF,定义: ρ s = c o v ( x 1 , x t − s ) V a r ( x t ) V a r ( x t − s ) = γ s γ 0 , 其中 γ 0 = C o v ( x 1 , x t ) = V a r ( x t ) \rho _s = \frac{cov(x_1,x_{t-s})}{\sqrt{Var(x_t)} \sqrt{Var(x_{t-s})}}=\frac{\gamma _s}{\gamma _0},其中\gamma _0 = Cov(x_1,x_t) = Var(x_t) ρs=Var(xt) Var(xts) cov(x1,xts)=γ0γs,其中γ0=Cov(x1,xt)=Var(xt)
这个量可以用来衡量间隔s的一对变量的相关系数。然而,由于某一个变量可能受其前面多个元素影响,对于 x t = ϕ s 1 x t − 1 + ⋯ ϕ s s x t − s + e t x_t = \phi _{s1}x_{t-1} + \cdots \phi _{ss}x_{t-s} + e_t xt=ϕs1xt1+ϕssxts+et,其中\phi _{ss}就是我们关注的偏自相关系数PACF。

十三、旅行商问题

有一个旅行商需要拜访每一个小镇后再回到家里,小镇之间两两可达且需要一定路费,该如何规划路线才能在总花费最少呢?
将这个问题转化为图论问题,即在一张带权无向图中,遍历所有点后返回的最小代价

一个简单的贪心思路是:先随便找一个圈,再思考如何对这个圈进行改良。对于初始圈,只需要给出这个点的排列就可以了,用 w ( i , j ) w(i,j) w(i,j)指代边权。
具体地,对于排列 P P P,若存在 i , j i,j i,j 满足: w ( i , i + 1 ) + w ( j , j + 1 ) < w ( i , j ) + w ( i + 1 , j + 1 ) w(i,i+1)+w(j,j+1)<w(i,j)+w(i+1,j+1) w(i,i+1)+w(j,j+1)<w(i,j)+w(i+1,j+1) 则断开 ( i , i + 1 ) (i,i+1) (i,i+1) ( j , j + 1 ) (j,j+1) (j,j+1),连接 ( i , j ) (i,j) (i,j) ( i + 1 , j ) (i+1,j) (i+1,j),重新构筑起一个圈。体现在排列 P P P上,即将 p i + 1 , p i + 2 , ⋯ p j p_{i+1},p_{i+2}, \cdots p_j pi+1,pi+2,pj 翻转(或称颠倒顺序),形成新的排列 P ′ P' P。这种算法称为改良圈算法。在实际应用中,为了增大正确性,往往需要设立多个初始圈执行算法。

当然,例子中的旅行商若增大到多个,那么模型又会有新的变化,这个我们日后再讨论。

十四、聚类分析入门

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/397297.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LeetCode 热题 HOT 100 (031/100)【宇宙最简单版】

【二叉树】No. 0437 路径总和 III【中等】&#x1f449;力扣对应题目指路 希望对你有帮助呀&#xff01;&#xff01;&#x1f49c;&#x1f49c; 如有更好理解的思路&#xff0c;欢迎大家留言补充 ~ 一起加油叭 &#x1f4a6; 欢迎关注、订阅专栏 【力扣详解】谢谢你的支持&am…

开发者账号验证难题,身份证居然不管用了!聊聊怎么搞定地址证明

最近不少开发者遇到了一个棘手的问题&#xff1a;Google Play的开发者账号验证突然变得更难了&#xff0c;尤其是身份证竟然不能再作为地址证明用了&#xff01; 今天分享一下开发者朋友们成功的经历和一些实用的小技巧&#xff0c;希望能帮大家顺利通过Google Play的身份验证。…

Redis的持久化的策略

Redis的持久化的策略 官方文档说明 AOF持久化策略RDB持久化的策略 AOF持久化策略 AOF持久性记录服务器接收到的每个写操作&#xff0c;然后&#xff0c;可以在服务器启动时再次重播这些操作&#xff0c;重建原始数据集&#xff0c;使用与Redis协议本身相同的格式记录命令。…

英语词汇量测试系统、英语学习系统

摘 要 随着信息技术和网络技术的飞速发展&#xff0c;人类已进入全新信息化时代&#xff0c;传统管理技术已无法高效&#xff0c;便捷地管理信息。为了迎合时代需求&#xff0c;优化管理效率&#xff0c;各种各样的管理系统应运而生&#xff0c;各行各业相继进入信息管理时代&…

Wireshark_DNS_v7.0

Wireshark_DNS_v7.0 一、 nslookup 前置 nslookup 是一个网络命令行工具&#xff0c;用于查询域名系统&#xff08;DNS&#xff09;中的域名解析记录。通过使用 nslookup&#xff0c;你可以获取某个域名的IP地址&#xff0c;或者获取与某个IP地址关联的域名信息。 查看域名…

Kafka + Kraft 集群搭建教程,附详细配置及自动化安装脚本

本文主要介绍 kafka kraft 搭建过程&#xff0c;主要用途是为了日志采集&#xff0c;所以搭建相对比较简单暴力&#xff0c;不过也可以作为一个参考供大家学习&#xff0c;主打一个能用管跑&#xff08;调优啊&#xff0c;参数解释啊&#xff0c;原理啊&#xff0c;太枯燥了&a…

Java高级面试题(二)-- JVM

Jvm虚拟机&#xff0c;运行在操作系统之上&#xff0c;编译执行java代码 1, 面试官&#xff1a;手绘一个类加载过程 补充&#xff1a; 这里的执行硬件 java 调用 c 指令 创建线程 &#xff0c;new thread()->start() 底层代码就是 native start0&#xff08;&#xff09;&…

SuccBI+低代码文档中心 — 分析报表

报表设计器界面介绍 报表设计器是用来设计报表的可视化工具&#xff0c;使用类Excel的、基于单元格的、所见即所得的方式设计报表&#xff0c;报表设计器界面如下图&#xff1a; 报表设计器主要包括如下功能板块&#xff1a; 数据源&#xff1a;数据源区域列出了可以用于报表…

haproxy高级功能配置

介绍HAProxy高级配置及实用案例 一.基于cookie会话保持 cookie value:为当前server指定cookie值&#xff0c;实现基于cookie的会话黏性&#xff0c;相对于基于 source 地址hash 调度算法对客户端的粒度更精准&#xff0c;但同时也加大了haproxy负载&#xff0c;目前此模式使用…

OpenGL ES->工作机制

渲染流程 渲染目的&#xff1a;输入3D立体坐标&#xff0c;输出绘制后的2D平面像素工作流程&#xff1a;顶点着色器->图元装配->几何着色器->光栅化->片段着色器->测试与混合&#xff0c;整个工作流程被封装在GPU内部&#xff0c;无法改变。运行在CPU的代码调用…

acpi 主板布局需要 efi

今天在折腾 ESXI 的时候&#xff0c;启动虚拟机跳出了 acpi 主板布局需要 efi 然后我就将 ESXI 的启动方式改为了 EFI 但是虚拟机有莫名的启动不了&#xff0c;网上也没有找到办法&#xff0c;最后&#xff0c;我将虚拟机类型有原本的 ubuntu 换成了 debian 最后启动成功&…

【弱监督时间动作定位】ACGNet: Action Complement Graph Network for WSTAL 论文阅读

ACGNet: Action Complement Graph Network for Weakly-supervised Temporal Action Localization 论文阅读 AbstractIntroductionRelated WorkAction Complement Graph NetworkMethod OverviewAction Complement GraphGraph InferenceTraining Objective ExperimentsConclusion…

nvm node yarn 的安装教程

一、完全卸载旧的nodejs 1、控制面板卸载 nodejs 2、删除node的安装目录 3、删除C盘中遗留的文件 4、将有关node的环境变量删除 5、查看卸载是否成功 npm -v node -v二、安装并配置NVM 1、下载NVM 地址&#xff1a;https://github.com/coreybutler/nvm-windows/release…

移除元素OJ详解

一、题目介绍 给你一个数组 nums 和一个值 val&#xff0c;你需要 原地 移除所有数值等于 val 的元素。元素的顺序可能发生改变。然后返回 nums 中与 val 不同的元素的数量。 假设 nums 中不等于 val 的元素数量为 k&#xff0c;要通过此题&#xff0c;您需要执行以下操作&am…

资料分析公式

年均增长量 年均增长率

SpringIOC和SpringAOC

lombok插件 XML<!-- 加载资源文件 --><context:property-placeholder location"classpath:jdbc.properties"></context:property-placeholder><!-- 注入数据源 --><bean id"dataSource" class"com.mchange.v2.c3p0.ComboP…

HPA 与pod调度

HPA 自动更新工作负载资源&#xff08;例如 Deployment 或者 StatefulSet&#xff09;&#xff0c; 目的是自动扩缩工作负载以满足需求。 绑定到deploy上&#xff0c;控制pod 依托于metrics-server HorizontalPodAutoscaler 水平pod自动扩缩&#xff1a;意味着对增加的负…

C语言实现单链表

一、什么是单链表 1.链表就是一种在物理存储上各个节点非连续的&#xff0c;随机的&#xff0c;元素的逻辑顺序是通过链表中的指针链接的次序而实现的。 图示&#xff1a; 二、单链表中节点的定义 #include<stdio.h> #include<stdlib.h> #include<string.h>…

机械学习—零基础学习日志(数学基础汇总2)

零基础为了学人工智能&#xff0c;正在艰苦的学习 我比较推荐&#xff0c;《三个月从零入门深度学习&#xff0c;保姆级学习路线图》的整体学习思路&#xff0c;但因为数学基础太差&#xff0c;而且针对所需的数学系统知识&#xff0c;我依然没有很明确的学习方向。 所以直接使…

高性能日志系统 日志格式化输出逻辑

概述 日志消息是由许多要素组成&#xff0c;而日志格式化的主要作用&#xff0c;即是对日志消息进行格式化&#xff0c;组织成自己指定好的字符串结构 总体架构 日志消息&#xff08;LogMsg&#xff09; 用于存储各种日志信息&#xff0c;例如存储日志的级别、时间、行号等信息…