python实现门限回归方式

发布日期： 2026-01-12 阅读量： 作者： 用户投稿

门限回归模型(Threshold Regressive Model，简称TR模型或TRM)的基本思想是通过门限变量的控制作用，当给出预报因子资料后，首先根据门限变量的门限阈值的判别控制作用，以决定不同情况下使用不同的预报方程，从而试图解释各种类似于跳跃和突变的现象。其实质上是把预报问题按状态空间的取值进行分类，用分段的线性回归模式来描述总体非线性预报问题。

多元门限回归的建模步骤就是确实门限变量、率定门限数L、门限值及回归系数的过程，为了计算方便，这里采用二分割（即L=2）说明模型的建模步骤。

基本步骤如下(附代码)：

1.读取数据，计算预报对象与预报因子之间的互相关系数矩阵。

数据读取
#利用pandas读取csv，读取的数据为DataFrame对象
data = pd.read_csv('jl.csv')
# 将DataFrame对象转化为数组,数组的第一列为数据序号，最后一列为预报对象，中间各列为预报因子
data= data.values.copy()
# print(data)
# 计算互相关系数，参数为预报因子序列和滞时k
def get_regre_coef(X,Y,k):
 S_xy=0
 S_xx=0
 S_yy=0
 # 计算预报因子和预报对象的均值
 X_mean = np.mean(X)
 Y_mean = np.mean(Y)
 for i in range(len(X)-k):
 S_xy += (X[i] - X_mean) * (Y[i+k] - Y_mean)
 for i in range(len(X)):
 S_xx += pow(X[i] - X_mean, 2)
 S_yy += pow(Y[i] - Y_mean, 2)
 return S_xy/pow(S_xx*S_yy,0.5)
#计算相关系数矩阵
def regre_coef_matrix(data):
 row=data.shape[1]#列数
 r_matrix=np.ones((1,row-2))
 # print(row)
 for i in range(1,row-1):
 r_matrix[0,i-1]=get_regre_coef(data[:,i],data[:,row-1],1)#滞时为1
 return r_matrix
r_matrix=regre_coef_matrix(data)
# print(r_matrix)
###输出###
#[[0.048979 0.07829989 0.19005705 0.27501209 0.28604638]]

2.对相关系数进行排序，相关系数最大的因子作为门限元。

#对相关系数进行排序找到相关系数最大者作为门限元
def get_menxiannum(r_matrix):
 row=r_matrix.shape[1]#列数
 for i in range(row):
  if r_matrix.max()==r_matrix[0,i]:
   return i+1
 return -1
m=get_menxiannum(r_matrix)
# print(m)
##输出##第五个因子的互相关系数最大
#5

3.根据选取的门限元因子对数据进行重新排序。

#根据门限元对因子序列进行排序,m为门限变量的序号
def resort_bymenxian(data,m):
 data=data.tolist()#转化为列表
 data.sort(key=lambda x: x[m])#列表按照m+1列进行排序(升序)
 data=np.array(data)
 return data
data=resort_bymenxian(data,m)#得到排序后的序列数组

4.将排序后的序列按照门限元分割序列为两段，第一分割第一段1个数据，第二段n-1（n为样本容量）个数据；第二次分割第一段2个数据，第二段n-2个数据，一次类推，分别计算出分割后的F统计量并选出最大统计量对应的门限元的分割点作为门限值。

def get_var(x):
 return x.std() ** 2 * x.size # 计算总方差
#统计量F的计算,输入数据为按照门限元排序后的预报对象数据
def get_F(Y):
 col=Y.shape[0]#行数，样本容量
 FF=np.ones((1,col-1))#存储不同分割点的统计量
 V=get_var(Y)#计算总方差
 for i in range(1,col):#1到col-1
  S=get_var(Y[0:i])+get_var(Y[i:col])#计算两段的组内方差和
  F=(V-S)*(col-2)/S
  FF[0,i-1]=F#此步需要判断是否通过F检验，通过了才保留F统计量
 return FF
y=data[:,data.shape[1]-1]
FF=get_F(y)
def get_index(FF,element):#获取element在一维数组FF中第一次出现的索引
 i=-1
 for item in FF.flat:
  i+=1
  if item==element:
   return i
f_index=get_index(FF,np.max(FF))#获取统计量F的最大索引
# print(data[f_index,m-1])#门限元为第五个因子，代入索引得门限值 121

5.以门限值为分割点将数据序列分割为两段，分别进行多元线性回归，此处利用sklearn.linear_model模块中的线性回归模块。再代入预报因子分别计算两段的预测值。

#以门限值为分割点将新data序列分为两部分，分别进行多元回归计算
def data_excision(data,f_index):
 f_index=f_index+1
 data1=data[0:f_index,:]
 data2=data[f_index:data.shape[0],:]
 return data1,data2
data1,data2=data_excision(data,f_index)
# 第一段
def get_XY(data):
 # 数组切片对变量进行赋值
 Y = data[:, data.shape[1] - 1] # 预报对象位于最后一列
 X = data[:, 1:data.shape[1] - 1]#预报因子从第二列到倒数第二列
 return X, Y
X,Y=get_XY(data1)
regs=LinearRegression()
regs.fit(X,Y)
# print('第一段')
# print(regs.coef_)#输出回归系数
# print(regs.score(X,Y))#输出相关系数
#计算预测值
Y1=regs.predict(X)
# print('第二段')
X,Y=get_XY(data2)
regs.fit(X,Y)
# print(regs.coef_)#输出回归系数
# print(regs.score(X,Y))#输出相关系数
#计算预测值
Y2=regs.predict(X)
Y=np.column_stack((data[:,0],np.hstack((Y1,Y2)))).copy()
Y=np.column_stack((Y,data[:,data.shape[1]-1]))
Y=resort_bymenxian(Y,0)

6.将预测值和实际值按照年份序号从新排序，恢复其顺序，利用matplotlib模块做出预测值与实际值得对比图。

#恢复顺序
Y=resort_bymenxian(Y,0)
# print(Y.shape)
# 预测结果可视化
plt.plot(Y[:,0],Y[:,1],'b--',Y[:,0],Y[:,2],'g')
plt.title('Comparison of predicted and measured values',fontsize=20,fontname='Times New Roman')#添加标题
plt.xlabel('Years',color='gray')#添加x轴标签
plt.ylabel('Average traffic in December',color='gray')#添加y轴标签
plt.legend(['Predicted values','Measured values'])#添加图例
plt.show()

结果图：

所用数据：引自《现代中长期水文预报方法及其应用》汤成友官学文张世明著

num	x1	x2	x3	x4	x5	y
1960	308	301	352	310	149	80.5
1961	182	186	165	127	70	42.9
1962	195	134	134	97	61	43.9
1963	136	378	334	307	148	87.4
1964	230	630	332	161	100	66.6
1965	225	333	209	365	152	82.9
1966	296	225	317	527	228	111
1967	324	229	176	317	153	79.3
1968	278	230	352	317	143	82
1969	662	442	453	381	188	103
1970	187	136	103	129	74.7	43
1971	284	404	600	327	161	92.2
1972	427	430	843	448	236	144
1973	258	404	639	275	156	98.9
1974	113	160	128	177	77.2	50.1
1975	143	300	333	214	106	63
1976	113	74	193	241	107	58.6
1977	204	140	154	90	55.1	40.2
1978	174	445	351	267	120	70.3
1979	93	95	197	214	94.9	64.3
1980	214	250	354	385	178	73
1981	232	676	483	218	113	72.6
1982	266	216	146	112	82.8	61.4
1983	210	433	803	301	166	115
1984	261	702	512	291	153	97.5
1985	197	178	238	180	94.2	58.9
1986	442	256	623	310	146	84.3
1987	136	99	253	232	114	62
1988	256	226	185	321	151	80.1
1989	473	409	300	298	141	79.6
1990	277	291	639	302	149	84.6
1991	372	181	174	104	68.8	58.4
1992	251	142	126	95	59.4	51.4
1993	181	125	130	240	121	64
1994	253	278	216	182	124	82.4
1995	168	214	265	175	101	68.1
1996	98.8	97	92.7	88	56.7	45.6
1997	252	385	313	270	119	78.8
1998	242	198	137	114	71.9	51.8
1999	268	178	127	109	68.6	53.3
2000	86.2	286	233	133	77.8	58.6
2001	150	168	122	93	62.8	42.9
2002	180	150	97.8	78	48.2	41.9
2003	166	203	166	124	70	53.7
2004	400	202	126	158	92.7	54.7
2005	79.8	82.6	129	160	76.6	53.7

以上这篇python实现门限回归方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。

上一篇: 常用Linux发行版镜像源配置小结

下一篇: python数据预处理 :样本分布不均的解决(过采样和欠采样

python实现门限回归方式

随便看看

南昌壹佳企网络通信有限公司