运用自回归滑动平均模型、灰色预测模型、BP神经网络三种模型分别预测全球平均气温，并进行预测精度对比（附代码、数据）
大家好，我是带我去滑雪，每天教你一个小技巧！全球变暖是近十年来，人们关注度最高的话题。2022年夏天，蔓延全球40℃以上的极端天气不断刷新人们对于高温的认知，人们再也不会像从前那样认为全球变暖离我们遥不可及。在此背景下，基于1880年-2022年全球平均气温时间序列数据，分别构建出ARIMA(3,1,2)自回归模型、灰色预测模型、BP神经网络三种模型，并分别对2050、2100年全球平均温度进行了预测，并将三种预测模型的预测效果进行了对比，文中所用数据和代码均可在文末获取。
目录
1 模型介绍
1.1 自回归滑动平均模型
1.2 灰色预测模型
1.3 BP神经网络模型
2 结果分析
2.1 数据可视化
2.2 自回归移动平均模型及预测
2.2.1 全球平均温度变化趋势分析
2.2.2 一阶差分
2.2.3 判断ARIMA自相关模型参数
2.2.4 利用ARIMA自相关模型进行预测
2.3 GM(1,1)模型预测
2.3.1 GM(1,1)模型建立与检验
2.3.2 GM(1,1)模型预测结果分析
2.4 BP神经网络模型预测
2.4.1 BP神经网络训练
3 三种模型预测比较
1 模型介绍
1.1 自回归滑动平均模型
差分运算可以提取确定性的信息，一些非平稳序列差分后会显示出平稳序列的性质，此时这个序列也被称为差分平稳序列，可用ARIMA模型进行拟合。具有如下结构的模型被称为求和自回归移动平均模型，简记为ARIIMA（p,d,q）模型：
1.2 灰色预测模型
灰色预测模型（GM）的主要特点是模型使用的不是原始数据序列，而是生产的数据序列。其核心体系是灰色模型，即对原始数据作累加生成得到近似的规律，建立有规律的生成数列的回归方程，并应用该方程对研究对象动态发展趋势进行预测。再进行建模型。本文选取灰色预测模型中的GM(1,1)，GM(1,1)灰色预测模型以时间序列数据为基础，它表示模型是一阶微分方程，并且只含有一个变量。
通过GM(1,1)模型就可指定时区内的预测值，根据实际问题需要，给出相应的预测。
1.3 BP神经网络模型
BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号向前传递，误差反向传播。在向前传递中输入信号从输入层经隐含层逐层处理，直至输出层，每一层的神经元状态只影响下一层的神经元状态。如果输出层得不到期望输出，则再反向传播，根据预测误差调整网络权重和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图1所示。
2 结果分析
2.1 数据可视化
利用1880-2022年全球平均气温数据，通过R画出了全球平均气温逐年数据序列图和近十年全球平均气温变化图，分别如图2、图3所示。
通过图2和3可以看出，全球平均气温从总体上呈现递增趋势，特别是1960年到2022年，其增长幅度与1960年以前相比更大。2022年3月的全球平均气温达到14.91℃，结合最近十年的全球平均气温变化，我们可以得出2022年3月全球气温的升高导致了比以往10年期间观察到的全球平均气温具有更大的增长。
2.2 自回归移动平均模型及预测
2.2.1 全球平均温度变化趋势分析
通过图2可以看出，该时间序列数据具有递增趋势，表现为不平稳。
2.2.2 一阶差分
将全球平均气温数据进行一阶差分，差分后的序列趋于平稳，其结果见图4所示。
2.2.3 判断ARIMA自相关模型参数
一阶差分后序列的自相关系数与偏自相关系数见图5，结合图像特征，尝试用ARIMA(0,1,1)、ARIMA(2,1,1)、ARIMA(3,1,2)模型进行拟合。通过AIC准则和BIC准则对三个模型进行评估，最终选取ARIMA(3,1,2)模型进行预测。
2.2.4 利用ARIMA自相关模型进行预测
利用ARIMA(3,1,2)模型预测分别预测2050年、2100年的全球平均温度分别为15.12℃、15.51℃，达不到20℃。各自的预测图像见图6、图7。
数据可视化代码
setwd("D:/Desktop")
#1880开始
data<-read.csv("shuju.csv",header=TRUE,sep=',',fileEncoding='utf-8')
wendu<-ts(data$Average,start = 1880,frequency = 1)
plot(wendu,type="p",pch=8,xlim=c(1880,2022),xlab ="Time/year", ylab ="Global Mean Temperature/℃")
lines(wendu,col=5,lwd=2)
#2012开始
data<-read.csv("12.csv",header=TRUE,sep=',',fileEncoding='utf-8')
wendu<-ts(data$Average,start = 2012,frequency = 1)
plot(wendu,type="p",pch=8,xlim = c(2012,2022),xlab ="Time/year", ylab ="Global Mean Temperature/℃")
lines(wendu,col=4,lwd=2)
ARIMA时间序列模型代码
install.packages("fUnitRoots")
install.packages("tseries")
install.packages("forecast")
library(forecast)
library(tseries)
library(fUnitRoots)
mydata=read.csv("C:/Users/hasee/Desktop/data.txt")
sjxlmydata=ts(mydata,start=1881,end = 2022,frequency = 1)
sjxlmydata
plot.ts(sjxlmydata,xlab = "Time(year)",col="blue",ylab = "Global average temperature(℃)",
main="Global annual mean temperature time series")
length(sjxlmydata)
unitrootTest(sjxlmydata)
dsjxlmydata=diff(sjxlmydata)
dsjxlmydata
plot.ts(dsjxlmydata,xlab = "Time(year)",col="blue",ylab = "The global average temperature after one difference(℃)",
at=c(1880,1900,1920,1940,1960,1980,2000,2020,2022),main="Differential time series of global annual mean temperature")
axis(side = 2,at=c(-0.2,-0.1,0,0.1,0.2))
Acf(dsjxlmydata,col="purple",lwd=2,,xlab = "Lag period",ylab = "Range of fluctuation",main="ACF")
Pacf(dsjxlmydata,,col="purple",lwd=2,,xlab = "Lag period",ylab = "Range of fluctuation",main="PACF")
unitrootTest(dsjxlmydata)
library(forecast)
fit=auto.arima(sjxlmydata)
fit
qqnorm(fit$residuals)
qqline(fit$residuals)
forecast(fit,28)
plot(forecast(fit,28),col="red",at=c(1880,1900,1920,1940,1960,1980,2000,2020,2022,2050),lwd=2,xlab = "Time(year)",
main="ARIMA(3,1,2)is used to forecast
the global average temperature in 2050",ylab = "Global average temperature(℃)",shadecols="oldstyle",axis=(40))
axis(side = 2,at=c(0,5,10,15,20))
plot(forecast(fit,100),col="red",at=c(1880,920,960,2000,2040,2060,2100),lwd=2,xlab = "Time(year)",
,main="ARIMA(3,1,2)is used to forecast
the global average temperature in 2100",ylab = "Global average temperature(℃)",shadecols="oldstyle",axis=(40))
axis(side = 2,at=c(0,5,10,15,20))
plot(forecast(fit,652),col="red",at=c(1880,1980,2080,2200,2300,2400,2500,2600,2674),lwd=2,xlab = "Time(year)",
main="
Arima (3,1,2) model is used to predict when the
global average temperature will reach 20 °C",ylab = "Global average temperature(℃)",shadecols="oldstyle",axis=(40))
axis(side = 2,at=c(0,3,6,9,12,15,18,20))
abline(v=2672,h=20,lty=2,col="purple")
library(forecast)
library(tseries)
library(fUnitRoots)
mydata=read.csv("C:/Users/hasee/Desktop/data1.txt")
sjxlmydata=ts(mydata,start=2023,end=2267,frequency = 1)
sjxlmydata
plot.ts(sjxlmydata,xlab="Time(year)",col="blue",ylab="Global average temperature(℃)",lwd=2,at=c(2023,2050,2100,2150,2200,2268),main="BP neural network predictive value")
axis(side=2,at=c(0,3,6,9,12,15,18,20))
abline(v=2268,h=20,lty=2,col="purple")
2.3 GM(1,1)模型预测
2.3.1 GM(1,1)模型建立与检验
利用Python进行编程，实现GM(1,1)模型，模型的各种检验指标的计算结果见表1。经过验证，该模型的精度较高，可以进行预测。
表1 GM(1,1)模型检验表
| 序号 |
年份 |
原始值 |
预测值 |
残差 |
相对误差 |
级比偏差 |
| 1 |
2013 |
14.6 |
14.8 |
0.0057 |
0.37% |
0.0203 |
| 2 |
2014 |
14.68 |
14.8 |
0.1638 |
0.54% |
0.0107 |
| 3 |
2015 |
14.73 |
14.9 |
0.3290 |
0.39% |
0.0232 |
| 4 |
2016 |
14.8 |
14.9 |
0.4984 |
0.47%0. |
0.0341 |
| 5 |
2017 |
14.75 |
14.9 |
0.2699 |
0.65% |
0.0425 |
| 6 |
2018 |
14.96 |
15.0 |
0.0378 |
0.09% |
0.0018 |
| 7 |
2019 |
14.98 |
15.0 |
0.2140 |
0.09% |
0.0017 |
| 8 |
2020 |
14.9 |
15.0 |
0.1423 |
0.09% |
0.0018 |
| 9 |
2021 |
14.85 |
15.0 |
0.1470 |
0.35% |
0.0742 |
| 10 |
2022 |
14.91 |
15.1 |
0.6241 |
0.18% |
0.0023 |
2.3.2 GM(1,1)模型预测结果分析
通过建立的GM(1,1)模型分别预测得到2050年和2100年全球平均气温为15.90℃、17.50℃，具体结果见代码模块。
灰色预测模型代码
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
def GM11(x,n):
x1 = x.cumsum()#一次累加
z1 = (x1[:len(x1) - 1] + x1[1:])/2.0#紧邻均值
z1 = z1.reshape((len(z1),1))
B = np.append(-z1,np.ones_like(z1),axis=1)
Y = x[1:].reshape((len(x) - 1,1))
#a为发展系数 b为灰色作用量
[[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y)#计算待估参数
result = (x[0]-b/a)*np.exp(-a*(n-1))-(x[0]-b/a)*np.exp(-a*(n-2)) #预测方程
S1_2 = x.var()#原序列方差
e = list()#残差序列
for index in range(1,x.shape[0]+1):
predict = (x[0]-b/a)*np.exp(-a*(index-1))-(x[0]-b/a)*np.exp(-a*(index-2))
e.append(x[index-1]-predict)
print(predict) #预测值
S2_2 = np.array(e).var()#残差方差
C = S2_2/S1_2#后验差比
if C<=0.35:
assess = '后验差比<=0.35，模型精度等级为好'
elif C<=0.5:
assess = '后验差比<=0.5，模型精度等级为合格'
elif C<=0.65:
assess = '后验差比<=0.65，模型精度等级为勉强'
else:
assess = '后验差比>0.65，模型精度等级为不合格'
#预测数据
predict = list()
for index in range(x.shape[0]+1,x.shape[0]+n+1):
predict.append((x[0]-b/a)*np.exp(-a*(index-1))-(x[0]-b/a)*np.exp(-a*(index-2)))
#print((x[0]-b/a)*np.exp(-a*(index-1)))
#print((x[0]-b/a)*np.exp(-a*(index-2)))
predict = np.array(predict)
return {
'a':{'value':a,'desc':'发展系数'},
'b':{'value':b,'desc':'灰色作用量'},
'predict':{'value':result,'desc':'第%d个预测值'%n},
'C':{'value':C,'desc':assess},
'predict':{'value':predict,'desc':'往后预测%d个的序列'%(n)},
}
if __name__ == "__main__":
data = np.array([14.6,14.68,14.73,14.8,14.75,14.96,14.98,14.9,14.85,14.91])
x = data[0:5]#数据
y = data[0:]#预测数据
result = GM11(x,38)
predict = result['predict']['value']
predict = np.round(predict,1)
print('真实值:',y)
print('预测值:',predict)
print(result)
plt.plot( data, color='r', linestyle="-", marker='*', label='True')
plt.plot(predict, color='b', linestyle="--", marker='.', label="Predict")
plt.legend(loc='upper right')
plt.xlabel('xlabel')
plt.ylabel('ylabel')
plt.title('Prediction by Grey Model (GM(1,1))')
plt.show()
#利用GM(1,1)模型预测2050年全球平均温度结果：
（14.670223149836602
14.69807920745643
14.725988158610562
14.753950103731768
14.78196514345018
真实值: [14.6 14.68 14.73 14.8 14.75 14.96 14.98 14.9 14.85 14.91]
预测值: [14.8 14.8 14.9 14.9 14.9 15. 15. 15. 15. 15.1 15.1 15.1 15.2 15.2
15.2 15.2 15.3 15.3 15.3 15.4 15.4 15.4 15.4 15.5 15.5 15.5 15.6 15.6
15.6 15.6 15.7 15.7 15.7 15.8 15.8 15.8 15.9 15.9]
{'a': {'value': -0.0018970157440081903, 'desc': '发展系数'}, 'b': {'value': 14.656445941555171, 'desc': '灰色作用量'}, 'predict': {'value': array([14.81003338, 14.83815491, 14.86632984, 14.89455827, 14.9228403 ,
14.95117603, 14.97956556, 15.008009 , 15.03650646, 15.06505802,
15.09366379, 15.12232389, 15.1510384 , 15.17980744, 15.2086311 ,
15.2375095 , 15.26644273, 15.2954309 , 15.32447411, 15.35357247,
15.38272608, 15.41193505, 15.44119949, 15.47051948, 15.49989516,
15.52932661, 15.55881395, 15.58835728, 15.6179567 , 15.64761233,
15.67732427, 15.70709263, 15.73691751, 15.76679903, 15.79673728,
15.82673238, 15.85678444, 15.88689356]), 'desc': '往后预测38个的序列'}, 'C': {'value': 0.32196000409798153, 'desc': '后验差比<=0.35，模型精度等级为好'}}）
#利用GM(1,1)模型预测2100年全球平均温度结果：
14.670223149836602
14.69807920745643
14.725988158610562
14.753950103731768
14.78196514345018
真实值: [14.6 14.68 14.73 14.8 14.75 14.96 14.98 14.9 14.85 14.91]
预测值: [14.8 14.8 14.9 14.9 14.9 15. 15. 15. 15. 15.1 15.1 15.1 15.2 15.2
15.2 15.2 15.3 15.3 15.3 15.4 15.4 15.4 15.4 15.5 15.5 15.5 15.6 15.6
15.6 15.6 15.7 15.7 15.7 15.8 15.8 15.8 15.9 15.9 15.9 15.9 16. 16.
16. 16.1 16.1 16.1 16.2 16.2 16.2 16.3 16.3 16.3 16.3 16.4 16.4 16.4
16.5 16.5 16.5 16.6 16.6 16.6 16.7 16.7 16.7 16.8 16.8 16.8 16.8 16.9
16.9 16.9 17. 17. 17. 17.1 17.1 17.1 17.2 17.2 17.2 17.3 17.3 17.3
17.4 17.4 17.4 17.5]
{'a': {'value': -0.0018970157440081903, 'desc': '发展系数'}, 'b': {'value': 14.656445941555171, 'desc': '灰色作用量'}, 'predict': {'value': array([14.81003338, 14.83815491, 14.86632984, 14.89455827, 14.9228403 ,
14.95117603, 14.97956556, 15.008009 , 15.03650646, 15.06505802,
15.09366379, 15.12232389, 15.1510384 , 15.17980744, 15.2086311 ,
15.2375095 , 15.26644273, 15.2954309 , 15.32447411, 15.35357247,
15.38272608, 15.41193505, 15.44119949, 15.47051948, 15.49989516,
15.52932661, 15.55881395, 15.58835728, 15.6179567 , 15.64761233,
15.67732427, 15.70709263, 15.73691751, 15.76679903, 15.79673728,
15.82673238, 15.85678444, 15.88689356, 15.91705985, 15.94728342,
15.97756438, 16.00790284, 16.0382989 , 16.06875268, 16.09926429,
16.12983384, 16.16046143, 16.19114717, 16.22189119, 16.25269358,
16.28355445, 16.31447393, 16.34545212, 16.37648913, 16.40758507,
16.43874006, 16.46995421, 16.50122762, 16.53256042, 16.56395271,
16.59540462, 16.62691624, 16.6584877 , 16.6901191 , 16.72181057,
16.75356222, 16.78537415, 16.81724649, 16.84917936, 16.88117285,
16.91322709, 16.9453422 , 16.9775183 , 17.00975548, 17.04205388,
17.07441361, 17.10683478, 17.13931752, 17.17186193, 17.20446814,
17.23713627, 17.26986642, 17.30265872, 17.33551329, 17.36843025,
17.4014097 , 17.43445178, 17.4675566 ]), 'desc': '往后预测88个的序列'}, 'C': {'value': 0.32196000409798153, 'desc': '后验差比<=0.35，模型精度等级为好'}}
2.4 BP神经网络模型预测
2.4.1 BP神经网络训练
将全球平均气温数据进行数据预处理后得到138个样本，选取120个作为训练集，18个作为测试集进行BP神经网络训练。训练表现和训练结果分别见图8、图9，根据得到的结果，判断是否满足需求，一般是模型的MSE值越小，R值越接近1。结合图像可以看出，BP神经网络的训练结果较好，可以进行预测。
利用BP神经网络进行预测，其预测结果见表2，从表中可以看出2050年全球平均温度的预测值为14.89℃，2100年全球平均温度的预测为15.55℃，二者均未达到20℃。
表2 BP神经网络预测值
| Year |
temperature℃ |
Year |
temperature℃ |
Year |
temperature℃ |
Year |
temperature℃ |
| 2023 |
14.80 |
2051 |
14.87 |
2100 |
15.55 |
2196 |
18.45 |
| 2024 |
14.78 |
2052 |
14.89 |
2101 |
15.68 |
2197 |
18.49 |
| 2025 |
14.80 |
2053 |
14.89 |
2102 |
15.7 |
2198 |
18.5 |
| 2026 |
14.76 |
2054 |
14.88 |
2103 |
15.79 |
2199 |
18.48 |
| 2027 |
14.83 |
2055 |
14.93 |
2104 |
15.99 |
2200 |
18.55 |
| 2028 |
14.88 |
2056 |
14.94 |
2105 |
15.84 |
2201 |
18.6 |
| 2029 |
14.90 |
2057 |
14.95 |
2106 |
15.98 |
2202 |
18.65 |
| 2030 |
14.85 |
2058 |
14.91 |
2107 |
16.12 |
2203 |
18.59 |
| 2031 |
14.87 |
2059 |
14.95 |
2108 |
16.04 |
2204 |
18.64 |
| 2032 |
14.84 |
2060 |
14.95 |
2109 |
16.21 |
2205 |
18.69 |
| 2033 |
14.80 |
2061 |
14.96 |
2110 |
16.37 |
2206 |
18.75 |
| 2034 |
14.80 |
2062 |
14.95 |
2111 |
16.31 |
2207 |
18.79 |
| 2035 |
14.78 |
2063 |
14.96 |
2112 |
16.45 |
2208 |
18.86 |
| 2036 |
14.86 |
2064 |
14.96 |
2113 |
16.35 |
2209 |
18.74 |
| 2037 |
14.78 |
2065 |
14.97 |
2114 |
16.68 |
⋮ |
⋮ |
| ⋮ |
⋮ |
⋮ |
⋮ |
⋮ |
⋮ |
2267 |
19.97 |
| 2050 |
14.89 |
2099 |
15.52 |
2195 |
18.37 |
2268 |
20.03 |
BP神经网络模型代码
close all
clc
input=a;
output=b;
input_train = input(1:120,:)';
output_train =output(1:120,:)';
input_test = input(121:138)';
output_test =output(121:138,:)';
inputnum=2; % 输入层节点数量
hiddennum=5;% 隐含层节点数量
outputnum=1; % 输出层节点数量
[inputn,inputps]=mapminmax(input_train);%归一化到[-1,1]之间，inputps用来作下一次同样的归一化
[outputn,outputps]=mapminmax(output_train);
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'},'trainlm'); W1= net. iw{1, 1};
B1 = net.b{1};
W2 = net.lw{2,1};
B2 = net. b{2};
net.trainParam.epochs=1000; % 训练次数，这里设置为1000次
net.trainParam.lr=0.01; % 学习速率，这里设置为0.01
net.trainParam.goal=0.00001; % 训练目标最小误差，这里设置为0.00001
net=train(net,inputn,outputn);
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
error=test_simu-output_test;
figure('units','normalized','position',[0.119 0.2 0.38 0.5])
plot(output_test,'bo-','markersize',10,'markerfacecolor','b')
hold on
plot(test_simu,'rs-','markersize',10,'markerfacecolor','r')
grid on%添加网格
legend('期望值','预测值','误差')
xlabel('数据组数')
ylabel('样本值')
title('BP神经网络测试集的预测值')
[c,l]=size(output_test);
MAE1=sum(abs(error))/l;
MSE1=error*error'/l;
RMSE1=MSE1^(1/2);
disp(['-----------------------误差计算--------------------------'])
disp(['隐含层节点数为',num2str(hiddennum),'时的误差结果如下：'])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['均方误差MSE为： ',num2str(MSE1)])
disp(['均方根误差RMSE为： ',num2str(RMSE1)])
3 三种模型预测比较
ARIMA自回归预测模型的预测效果可以通过残差分布来确定，良好的ARIMA自回归预测模型的残差应满足均值为零的正态分布，即QQ-Plot图像近似为过原点的一条直线，则残差服从正态分布且均值为零。通过图11可以看出ARIMA(3,1,2)模型的预测效果较好，但在首尾两端仍有部分点未落在直线上。通过表3可以看出GM（1，1）模型的预测精度也较好，但由于灰色预测只用了原始数据的很小一部分数据进行预测，预测效果不如另外两个模型精准。通过图12，我们可以看出BP神经网络的误差直方图基本服从正态分布，预测效果较好。因此，经过对比，认为BP神经网络的预测效果最佳。
需要数据集的家人们可以去百度网盘（永久有效）获取：
链接：https://pan.baidu.com/s/1NcsNDS_BCt2IGgeKbu069A?pwd=2138
提取码：2138
更多优质内容持续发布中，请移步主页查看。
点赞+关注,下次不迷路！