Интервалы прогнозирования для Hyperboli c Curve_Fit - SciPy - PullRequest
Новая
       107

Интервалы прогнозирования для Hyperboli c Curve_Fit - SciPy

1 голос
/ 24 января 2020

Как я могу получить интервалы прогнозирования / полосы прогнозирования с помощью функции подбора кривой SciPy?

В частности, как я могу получить эти полосы предсказания для кривой гиперболи c, обычно используемой при анализе кривой спада?

Любая помощь будет принята. 

import pandas as pd
import numpy as np
from datetime import timedelta
from scipy.optimize import curve_fit

def hyperbolic_equation(t, qi, b, di):
    return qi/((1.0+b*di*t)**(1.0/b))


df1 = pd.DataFrame({ 'cumsum_days': [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15],
        'prod': [800, 900, 1200, 700, 600, 
                 550, 500, 650, 625, 600,
                 550, 525, 500, 400, 350]})

qi = max(df1['prod'])

#Hyperbolic curve fit the data to get best fit equation
popt_hyp, pcov_hyp = curve_fit(hyperbolic_equation, df1['cumsum_days'], df1['prod'],bounds=(0, [qi,1,20]))

#Passing t to estimate the coefficients:

def fitted_hyperbolic_equation(t):
    return popt_hyp[0]/((1.0+popt_hyp[1]*popt_hyp[2]*t)**(1.0/popt_hyp[1]))

#Creating future time to predict on:
df2 = pd.DataFrame({ 'future_days': [16,17,18,19,20]})

fitted_hyperbolic_equation(df2.future_days)

16    388.259631
17    368.389649
18    349.754534
19    332.264306
20    315.836485

У меня есть будущие значения, но как я могу генерировать полосы доверия / прогноза (95%) с помощью SciPy? Любая помощь будет оценена.

1 Ответ

1 голос
/ 25 января 2020

Я не уверен, что полностью понимаю, но я думаю, что вы запрашиваете неопределенности в прогнозируемых значениях из модели подбора кривой.

Я бы порекомендовал использовать для этого lmfit (заявление об отказе: автор), поскольку он предоставляет методы для таких расчетов. Боюсь, что ваша модель и данные не очень хорошо совпадают, поэтому неопределенности очень велики

Использование lmfit и использование простого numpy массива вместо pandas фреймов данных (их можно использовать, но они отвлекают внимание - для подгонки действительно нужны numpy массивы), ваш анализ может выглядеть так: 

import numpy as np
from lmfit import Model
import matplotlib.pyplot as plt

cumsum_days = np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15])
prod = np.array([800, 900, 1200, 700, 600, 550, 500, 650, 625, 600, 550,
                 525, 500, 400, 350])

# plot data
plt.plot(cumsum_days, prod, 'bo', label='data')

def hyperbolic_equation(t, qi, b, di):
    return qi/((1.0+b*di*t)**(1.0/max(b, 1.e-50)))

# build Model
hmodel = Model(hyperbolic_equation)

# create lmfit Parameters, named from the arguments of `hyperbolic_equation`
# note that you really must provide initial values.
params = hmodel.make_params(qi=1000, b=0.5, di=0.1)

# set bounds on parameters
params['qi'].min=0
params['b'].min=0
params['di'].min=0

# do fit, print resulting parameters
result = hmodel.fit(prod, params, t=cumsum_days)
print(result.fit_report())

# plot best fit: not that great of fit, really
plt.plot(cumsum_days, result.best_fit, 'r--', label='fit')

# calculate the (1 sigma) uncertainty in the predicted model
# and plot that as a confidence band
dprod = result.eval_uncertainty(result.params, sigma=1)   
plt.fill_between(cumsum_days,
                 result.best_fit-dprod,
                 result.best_fit+dprod,
                 color="#AB8888",
                 label='uncertainty band of fit')

# now evaluate the model for other values, predicting future values
future_days = np.array([16,17,18,19,20])
future_prod = result.eval(t=future_days)

plt.plot(future_days, future_prod, 'k--', label='prediction')

# ...and calculate the 1-sigma uncertainty in the future prediction
# for 95% confidence level, you'd want to use `sigma=2` here:
future_dprod = result.eval_uncertainty(t=future_days, sigma=1)

print("### Prediction\n# Day  Prod     Uncertainty")

for day, prod, eps in zip(future_days, future_prod, future_dprod):
    print(" {:.1f}   {:.1f} +/- {:.1f}".format(day, prod, eps))

plt.fill_between(future_days,
                 future_prod-future_dprod,
                 future_prod+future_dprod,
                 color="#ABABAB",
                 label='uncertainty band of prediction')

plt.legend(loc='lower left')
plt.show()

Это выведет итоговую статистику подгонки и значения параметров 

[[Model]]
    Model(hyperbolic_equation)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 21
    # data points      = 15
    # variables        = 3
    chi-square         = 238946.482
    reduced chi-square = 19912.2068
    Akaike info crit   = 151.139170
    Bayesian info crit = 153.263321
[[Variables]]
    qi:  993.608482 +/- 163.710950 (16.48%) (init = 1000)
    b:   0.22855837 +/- 2.07615175 (908.37%) (init = 0.5)
    di:  0.06551315 +/- 0.06250023 (95.40%) (init = 0.1)
[[Correlations]] (unreported correlations are < 0.100)
    C(b, di)  =  0.963
    C(qi, di) =  0.888
    C(qi, b)  =  0.771
### Prediction
# Day  Prod     Uncertainty
 16.0   388.258 +/- 1080.106
 17.0   368.387 +/- 1106.336
 18.0   349.752 +/- 1130.091
 19.0   332.261 +/- 1151.634
 20.0   315.833 +/- 1171.196

и приведите график, подобный следующему:

enter image description here

В своем вопросе вы не проверяли качество подгонки ни статистически, ни графически. На самом деле, вы захотите сделать это.

Вы также использовали curve_fit без указания начальных значений. Хотя никакая подпрограмма подгонки никогда не будет поддерживать это и все требуют явных начальных значений, curve_fit разрешает это без предупреждения или обоснования и утверждает, что все начальные значения будут 1.0. Действительно, вы должны предоставить начальные значения.

...