CN105608504A - 一种建立烟草行业预测模型的方法及装置 - Google Patents
一种建立烟草行业预测模型的方法及装置 Download PDFInfo
- Publication number
- CN105608504A CN105608504A CN201510956618.XA CN201510956618A CN105608504A CN 105608504 A CN105608504 A CN 105608504A CN 201510956618 A CN201510956618 A CN 201510956618A CN 105608504 A CN105608504 A CN 105608504A
- Authority
- CN
- China
- Prior art keywords
- variable
- independent variable
- target independent
- target
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 49
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001419 dependent effect Effects 0.000 claims abstract description 49
- 230000007704 transition Effects 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012357 Gap analysis Methods 0.000 claims description 10
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 10
- 230000003455 independent Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical class CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种建立烟草行业预测模型的方法及装置,其中方法可以包括:预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型;获取烟草行业预测所需的宏观经济参数数据;定义确定所述宏观经济数据的变量和目标自变量;计算所述变量与目标自变量之间的线性相关系数;根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数;使得根据所述回归系数得到的计算值与实际值的二乘误差最小;根据所述回归系数和目标自变量建立预测模型:y=a0+a1*x1+a2*x2+…+an*xn。本发明能够预测烟草的经济运行状况,减小预测结果与实际值之间的差异。
Description
技术领域
本发明涉及算法应用技术领域,特别涉及一种建立烟草行业预测模型的方法及装置。
背景技术
随着烟草行业市场化程度的不断加深,如何准确预测烟草的经济运行状况,进而把握市场需求,为整个烟草行业的经营提供真实有效的参考和基础显得尤为重要。
烟草行业现有预测模型主要是基于历史数据进行预测,而烟草一直以来是计划体制,历史销售数据受人为影响很大,现有预测模型的预测结果与实际值之间差异较大。
发明内容
本发明提供一种建立烟草行业预测模型的方法及装置,能够预测烟草的经济运行状况,减小预测结果与实际值之间的差异。
第一方面,本发明实施例提供了一种建立烟草行业预测模型的方法,预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型,所述方法还包括:
获取烟草行业预测所需的宏观经济参数数据;
定义确定所述宏观经济数据的变量和目标自变量;
计算所述变量与目标自变量之间的线性相关系数;
根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数;如果没有目标自变量与所述变量显著线性相关,应用最小二乘法回归计算所有目标自变量与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小;
其中,yi表示所述实际值,表示所述计算值;
根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数;x为所述目标自变量。
优选地,
所述确定目标自变量包括:根据宏观经济数据定义初始自变量,对所述初始自变量进行转换,得到转换后的自变量;
其中,所述对初始自变量进行转换包括:
将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性。
优选地,
所述计算所述变量与目标自变量之间的线性相关系数包括:根据计算所述变量与目标自变量之间的线性相关系数;
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值。
优选地,
所述根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合包括:
将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合。
优选地,
进一步包括:根据所述预测模型计算预测值,将所述预测值与实际值进行差距分析。
第二方面,本发明实施例提出了一种建立烟草行业预测模型的装置,包括:
确定模块,用于预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型;
获取模块,用于获取烟草行业预测所需的宏观经济参数数据,将所述宏观经济参数输出给定义模块;
定义模块,用于定义确定所述宏观经济数据的变量和目标自变量,将所述变量和目标自变量输出给计算模块和建模模块;
计算模块,用于计算所述变量与目标自变量之间的线性相关系数,将所述线性相关系数输出给处理模块;
处理模块,用于根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数;如果没有目标自变量与所述变量显著线性相关,应用最小二乘法回归计算所有目标自变量与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小;将所述回归系数输出给建模模块;
其中,yi表示所述实际值,表示所述计算值;
建模模块,用于根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn
其中y为预测值;a1,a2,...,an为所述回归系数;x为所述目标自变量。
优选地,
所述定义模块包括:
定义单元,用于根据宏观经济数据定义初始自变量,将所述初始自变量输出给转换单元;
转换单元,用于对所述初始自变量进行转换,得到转换后的自变量,所述目标自变量包括所述初始自变量和所述转换后的自变量;
其中,所述对初始自变量进行转换包括:
将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性。
优选地,
所述计算模块包括:
计算单元,用于根据计算所述变量与目标自变量之间的线性相关系数,将所述线性相关系数输出给处理模块;
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值。
优选地,
所述处理装置包括:
确定单元,用于将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合。
优选地,进一步包括:
差距分析模块,用于根据所述预测模型计算预测值,将所述预测值与实际值进行差距分析。
本发明实施例提出的建立烟草行业预测模型的方法及装置,通过获取并定义宏观经济参数数据的变量和目标自变量,计算变量和目标自变量之间的线性相关系数,并根据线性相关系数确定目标自变量集合,计算回归系数,使得根据回归系数计算的二乘误差最小,根据回归系数和目标自变量建立多种预测模型,从而可以选择合适的预测模型进行预测,减小预测结果与实际值之间的差异。
附图说明
图1是本发明实施例提供的一种建立烟草行业预测模型的方法的流程图;
图2是本发明另一实施例提供的一种建立烟草行业预测模型的方法的流程图;
图3是本发明实施例提供的一种建立烟草行业预测模型的装置结构图;
图4是本发明另一实施例提供的一种建立烟草行业预测模型的装置结构图;
图5是本发明又一实施例提供的一种建立烟草行业预测模型的装置结构图;
图6是本发明又一实施例提供的一种建立烟草行业预测模型的装置结构图;
图7是本发明又一实施例提供的一种建立烟草行业预测模型的装置结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种建立烟草行业预测模型的方法,如图1所示,该方法可以包括以下步骤:
步骤101:预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型;
步骤102:获取烟草行业预测所需的宏观经济参数数据;
步骤103:定义确定所述宏观经济数据的变量和目标自变量;
步骤104:计算所述变量与目标自变量之间的线性相关系数;
步骤105:根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数;如果没有目标自变量与所述变量显著线性相关,应用最小二乘法回归计算所有目标自变量与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小;
其中,yi表示所述实际值,表示所述计算值;
步骤106:根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数;x为所述目标自变量。
可见,由于本发明实施例提出的建立烟草行业预测模型的方法,通过获取并定义宏观经济参数数据的变量和目标自变量,计算变量和目标自变量之间的线性相关系数,并根据线性相关系数确定目标自变量集合,计算回归系数,使得根据回归系数计算的二乘误差最小,根据回归系数和目标自变量建立多种预测模型,从而可以选择合适的预测模型进行预测,减小预测结果与实际值之间的差异。
在本发明一个优选实施例中,为了确定目标自变量,所述确定目标自变量包括:根据宏观经济数据定义初始自变量,对所述初始自变量进行转换,得到转换后的自变量;其中,所述对初始自变量进行转换包括:将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性,从而可以确定目标自变量。
在本发明一个优选实施例中,为了计算所述变量与目标自变量之间的线性相关系数,所述计算所述变量与目标自变量之间的线性相关系数包括:
根据计算所述变量与目标自变量之间的线性相关系数。
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值,从而可以根据数学式计算变量与目标自变量之间的线性相关系数。
在本发明一个优选实施例中,为了确定目标自变量集合,所述根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合包括:将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合,从而可以通过显著性检验确定目标自变量集合。
在本发明一个优选实施例中,为了检查预测模型的准确性,在步骤106之后,进一步包括:根据所述预测模型计算预测值,将所述预测值与实际值进行差距分析,从而可以根据差距分析检查预测模型的准确性。
为使本发明的目的、技术方案和优点更加清楚,下面结合附图及具体实施例对本发明作进一步地详细描述。
本发明实施例提供了一种建立烟草行业预测模型的方法,如图2所示,该方法包括以下实现过程:
步骤201:预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型。
在本实施例中,可以根据参考其他行业的预测案例及基于烟草历史数据的测试,最终确定适合烟草行业预测所需的宏观经济参数数据和预测模型。
其中,确定的预测模型为多元线性回归、指数回归、对数回归、混合回归四个预测模型;确定适合烟草行业预测所需的宏观经济参数如下表所示:
步骤202:获取烟草行业预测所需的宏观经济参数数据。
步骤203:根据宏观经济数据定义变量。
在本实施例中,变量可以为烟草的销量、财务等经济运行情况。
步骤204:根据宏观经济数据定义初始自变量,对初始自变量进行转换,得到转换后的自变量;其中,对初始自变量进行转换包括:将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性。
其中,最佳转换算子可以包括INV,EXP,LOG,SQU,CUB,SQR,CBR,SIN,COS,TAN,CTA,ABS,000具体定义如下:
INV:EXP:z=ex;LOG:z=In(x);CUB:z=x3;
SQU:z=x2 SIN:z=sin(x)
COS:z=cos(x);TAN:z=tan(x);CTA:z=ctan(x);ABS:z=|x|
000表示不变换。
步骤205:根据计算所述变量与目标自变量之间的线性相关系数。
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值。
步骤206:将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合,判断自变量集合是否为空集,如果不是,执行步骤207,否则,执行步骤208。
步骤207:应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小。
其中,yi表示所述实际值,表示所述计算值
步骤208::应用最小二乘法回归计算所有目标自变量与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小。
其中,yi表示所述实际值,表示所述计算值。
步骤209:根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数;x为所述目标自变量。
在本实施例中,当目标自变量为初始自变量时,建立的模型如上式所示,为多元线性回归模型;
当目标自变量为初始自变量的指数函数值时,建立的模型为指数回归模型:
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数;ex为所述目标自变量。
当目标自变量为初始自变量的对数函数值时,建立的模型为对数回归模型:
y=a0+a1Log(x1)+a2Log(x2)+...+anLog(xn)
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数;Log(x)为所述目标自变量。
当目标自变量为初始自变量通过最佳转换算子转换所得,建立的模型为混合回归模型,可以如下所示:
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数。
步骤210:根据预测模型计算预测值,将预测值与实际值进行差距分析。
在本实施例中,可以通过差距分析分析每个预测模型的预测值与实际值之间的差距,从而可以根据分析结果判断不同地区所适合的预测模型。例如,湖南市场最适合的模型是线性回归分析模型,成都市场最适合的模型是对数回归分析模型。
本发明实施例提供了一种建立烟草行业预测模型的装置,如图3所示,该装置包括:
确定模块301,用于预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型302。
获取模块302,用于获取烟草行业预测所需的宏观经济参数数据,将宏观经济参数输出给定义模块303;
定义模块303,用于定义确定宏观经济数据的变量和目标自变量,将变量和目标自变量输出给计算模块304和;
计算模块304,用于计算所述变量与目标自变量之间的线性相关系数,将线性相关系数输出给处理模块305;
处理模块305,用于根据线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算目标自变量集合与所述变量的回归系数;如果没有目标自变量与变量显著线性相关,应用最小二乘法回归计算所有目标自变量与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小;将所述回归系数和目标自变量输出给建模模块306;
其中,yi表示所述实际值,表示所述计算值;
建模模块306,用于根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn
其中y为预测值;a1,a2,...,an为所述回归系数;x为所述目标自变量。
本发明实施例中,为了确定目标自变量,如图4所示,定义模块303包括:
定义单元401,用于根据宏观经济数据定义初始自变量,将所述初始自变量输出给转换单元401;
转换单元402,用于对所述初始自变量进行转换,得到转换后的自变量,所述目标自变量包括所述初始自变量和所述转换后的自变量;
其中,所述对初始自变量进行转换包括:
将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性。
在本发明实施例中,为了计算线性相关系数,如图5所示,计算模块304包括:
计算单元501,用于根据计算所述变量与目标自变量之间的线性相关系数,将所述线性相关系数输出给处理模块。
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值。
在本发明实施例中,为了确定目标自变量集合,如图6所示,处理模块305包括:
确定单元601,用于将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合。
在本发明实施例中,为了进行差距分析,如图7所示,该装置还包括:
差距分析模块701,用于根据所述预测模型计算预测值,将所述预测值与实际值进行差距分析。
综上所述,本发明实施例至少可以实现如下效果:
1、在本发明实施例中,通过获取并定义宏观经济参数数据的变量和目标自变量,计算变量和目标自变量之间的线性相关系数,并根据线性相关系数确定目标自变量集合,计算回归系数,使得根据回归系数计算的二乘误差最小,根据回归系数和目标自变量建立多种预测模型,从而可以选择合适的预测模型进行预测,减小预测结果与实际值之间的差异。
2、在本发明实施例中,通过参考其他行业的预测案例及基于烟草历史数据的测试,最终确定适合烟草行业预测所需的宏观经济参数数据和预测模型,从而可以根据宏观经济参数建立模型,使模型预测更加精准。
3、在本发明实施例中,根据宏观经济数据定义初始自变量,对所述初始自变量进行转换,得到转换后的自变量;其中,所述对初始自变量进行转换包括:将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性,从而可以确定目标自变量,从而可以根据初始自变量得到多种目标自变量,并根据多种目标变量建模,从而可以得到多种预测模型。
4、在本发明实施例中,将线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合,从而可以通过显著性检验确定目标自变量集合,从而可以使得到的模型中自变量与变量显著线性相关,使预测结果更加准确。
5、在本发明实施例中,应用最小二乘法回归计算回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小,从而可以减小预测模型的预测值与实际值之间的差异。
6、在本发明实施例中,根据预测模型计算预测值,将预测值与实际值进行差距分析,可以根据差距分析检查预测模型的准确性,从而可以根据分析结果判断不同地区所适合的预测模型,使预测结果更加准确。
上述设备内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种建立烟草行业预测模型的方法,其特征在于,预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型,还包括以下步骤:
S1:获取烟草行业预测所需的宏观经济参数数据;
S2:定义确定所述宏观经济数据的变量和目标自变量;
S3:计算所述变量与目标自变量之间的线性相关系数;
S4:根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数;如果没有目标自变量与所述变量显著线性相关,应用最小二乘法回归计算所有目标自变量与所述变量的回归系数;使得根据所述回归系数得到的计算值与实际值的二乘误差最小;
其中,yi表示所述实际值,表示所述计算值;
S5:根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn。
其中y为预测值;a0为常数;a1,a2,...,an为所述回归系数;x为所述目标自变量。
2.根据权利要求1所述的方法,其特征在于,所述确定目标自变量包括:根据宏观经济数据定义初始自变量,对所述初始自变量进行转换,得到转换后的自变量;
其中,所述对初始自变量进行转换包括:
将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性。
3.根据权利要求1所述的方法,其特征在于,所述计算所述变量与目标自变量之间的线性相关系数包括:
根据计算所述变量与目标自变量之间的线性相关系数。
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合包括:
将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合。
5.根据权利要求1-4任一所述的方法,其特征在于,在所述S5后,进一步包括:
根据所述预测模型计算预测值,将所述预测值与实际值进行差距分析。
6.一种建立烟草行业预测模型的装置,其特征在于,包括:
确定模块,用于预先确定适合烟草行业预测所需的宏观经济参数数据和预测模型。
获取模块,用于获取烟草行业预测所需的宏观经济参数数据,将所述宏观经济参数输出给定义模块;
定义模块,用于定义确定所述宏观经济数据的变量和目标自变量,将所述变量和目标自变量输出给计算模块;
计算模块,用于计算所述变量与目标自变量之间的线性相关系数,将所述线性相关系数输出给处理模块;
处理模块,用于根据所述线性相关系数确定与所述变量显著线性相关的目标自变量集合,应用最小二乘法回归计算所述目标自变量集合与所述变量的回归系数;如果没有目标自变量与所述变量显著线性相关,应用最小二乘法回归计算所有目标自变量与所述变量的回归系数,使得根据所述回归系数得到的计算值与实际值的二乘误差最小;将所述回归系数和目标自变量输出给建模模块;
其中,yi表示所述实际值,表示所述计算值;
建模模块,用于根据所述回归系数和目标自变量建立预测模型:
y=a0+a1*x1+a2*x2+...+an*xn。
其中y为预测值;a1,a2,...,an为所述回归系数;x为所述目标自变量。
7.根据权利要求6所述的装置,其特征在于,所述定义模块包括:
定义单元,用于根据宏观经济数据定义初始自变量,将所述初始自变量输出给转换单元;
转换单元,用于对所述初始自变量进行转换,得到转换后的自变量,所述目标自变量包括所述初始自变量和所述转换后的自变量;
其中,所述对初始自变量进行转换包括:
将所有初始自变量转换为其指数函数值或将所有初始自变量转换为其对数函数值或将每一个初始自变量通过最佳转换算子进行转换;所述最佳转换算子可以使自变量与变量有最高的线性相关性。
8.根据权利要求6所述的装置,其特征在于,所述计算模块包括:
计算单元,用于根据计算所述变量与目标自变量之间的线性相关系数,将所述线性相关系数输出给处理模块。
其中,ρ表示所述变量与目标自变量之间的线性相关系数;yi表示所述变量;表示所述变量平均值;xi表示所述目标自变量;表示所述目标自变量平均值。
9.根据权利要求6所述的装置,其特征在于,所述处理模块包括:
确定单元,用于将所述线性相关系数基于显著性水平为0.05进行显著性检验,根据所述显著性检验结果确定与所述变量显著线性相关的目标自变量集合。
10.根据权利要求6-9任一所述的装置,其特征在于,进一步包括:
差距分析模块,用于根据所述预测模型计算预测值,将所述预测值与实际值进行差距分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510956618.XA CN105608504A (zh) | 2015-12-17 | 2015-12-17 | 一种建立烟草行业预测模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510956618.XA CN105608504A (zh) | 2015-12-17 | 2015-12-17 | 一种建立烟草行业预测模型的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608504A true CN105608504A (zh) | 2016-05-25 |
Family
ID=55988428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510956618.XA Pending CN105608504A (zh) | 2015-12-17 | 2015-12-17 | 一种建立烟草行业预测模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608504A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180271A (zh) * | 2017-04-27 | 2017-09-19 | 广州慧扬健康科技有限公司 | 基于最小二乘法的住院人数的预测系统 |
CN108154292A (zh) * | 2017-12-20 | 2018-06-12 | 中公高科养护科技股份有限公司 | 一种路面性能的预测模型的建立方法及系统 |
CN109190989A (zh) * | 2018-09-12 | 2019-01-11 | 张连祥 | 区域经济发展趋势分析系统及方法 |
CN109636444A (zh) * | 2018-11-17 | 2019-04-16 | 贵州省烟草公司黔南州公司 | 一种卷烟货源自动测算及投放系统 |
CN112001774A (zh) * | 2020-08-12 | 2020-11-27 | 浪潮软件股份有限公司 | 基于神经网络的烟草投放量研判方法及系统 |
CN112927811A (zh) * | 2021-03-26 | 2021-06-08 | 武汉康华数海科技有限公司 | 经济效益型模型在医学数据信息上的处理系统及处理方法 |
CN112200612B (zh) * | 2020-10-14 | 2024-01-09 | 红云红河烟草(集团)有限责任公司 | 一种基于卷烟市场数据的分析方法 |
-
2015
- 2015-12-17 CN CN201510956618.XA patent/CN105608504A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180271A (zh) * | 2017-04-27 | 2017-09-19 | 广州慧扬健康科技有限公司 | 基于最小二乘法的住院人数的预测系统 |
CN107180271B (zh) * | 2017-04-27 | 2021-01-19 | 广州慧扬健康科技有限公司 | 基于最小二乘法的住院人数的预测系统 |
CN108154292A (zh) * | 2017-12-20 | 2018-06-12 | 中公高科养护科技股份有限公司 | 一种路面性能的预测模型的建立方法及系统 |
CN108154292B (zh) * | 2017-12-20 | 2020-08-04 | 中公高科养护科技股份有限公司 | 一种路面性能的预测模型的建立方法及系统 |
CN109190989A (zh) * | 2018-09-12 | 2019-01-11 | 张连祥 | 区域经济发展趋势分析系统及方法 |
CN109636444A (zh) * | 2018-11-17 | 2019-04-16 | 贵州省烟草公司黔南州公司 | 一种卷烟货源自动测算及投放系统 |
CN112001774A (zh) * | 2020-08-12 | 2020-11-27 | 浪潮软件股份有限公司 | 基于神经网络的烟草投放量研判方法及系统 |
CN112200612B (zh) * | 2020-10-14 | 2024-01-09 | 红云红河烟草(集团)有限责任公司 | 一种基于卷烟市场数据的分析方法 |
CN112927811A (zh) * | 2021-03-26 | 2021-06-08 | 武汉康华数海科技有限公司 | 经济效益型模型在医学数据信息上的处理系统及处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608504A (zh) | 一种建立烟草行业预测模型的方法及装置 | |
Liu et al. | What predicts US recessions? | |
EP3401856A1 (en) | System, device and method for releasing vehicle insurance surveying task, and readable storage medium | |
US20110246381A1 (en) | Systems and methods of modeling energy consumption of buildings | |
CN106897109A (zh) | 基于随机森林回归的虚拟机性能预测方法 | |
Singh | International Trade and Economic Growth Nexus in Australia: A Robust Evidence from Time‐Series Estimators | |
Cao et al. | Early warning of enterprise decline in a life cycle using neural networks and rough set theory | |
Basile et al. | Diachronic analysis of the italian language exploiting google ngram | |
Pereira et al. | TS-stream: clustering time series on data streams | |
CN112926296A (zh) | 数据校验方法、装置、电子设备及存储介质 | |
Tortora et al. | Scaling relations and baryonic cycling in local star-forming galaxies-III. Outflows, effective yields, and metal loading factors | |
CN103235847B (zh) | 基于矩阵转换的模型动态调配方法 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN112214402A (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
Kämper et al. | AutoMoG: Automated data-driven Model Generation of multi-energy systems using piecewise-linear regression | |
US20120317536A1 (en) | Predicting performance of a software project | |
Iqbal et al. | M-estimators of some GARCH-type models; computation and application | |
CN111768246A (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
CN108830480B (zh) | 一种erp采购计算方法及其系统 | |
CN116385081A (zh) | 一种推荐物品的方法、装置、设备及存储介质 | |
CN104268069B (zh) | 一种电脑性能的评估方法 | |
Xu et al. | An effective high-quality prediction intervals construction method based on parallel bootstrapped RVM for complex chemical processes | |
CN115034812A (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
CN113610402B (zh) | 基于影像分析的土地生态承载力评估方法及相关设备 | |
CN111523763B (zh) | 装修信息推送方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |
|
RJ01 | Rejection of invention patent application after publication |