用 DRHT 转换成分数据并使用 TSK 模型进行预测

要将成分数据的转化方法改成 DRHT，可以按照以下步骤进行修改：

导入所需的库：

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
from sklearn.decomposition import PCA
import skfuzzy as fuzz

定义成分数据矩阵：

data = np.array([[0.758, 0.171, 0.049, 0.022],
                 [0.758, 0.172, 0.047, 0.023],
                 [0.762, 0.17, 0.047, 0.021],
                 ...
                 [0.559, 0.186, 0.167, 0.088],
                 [0.562, 0.179, 0.175, 0.084]])

计算 DRHT 转换：

drht_matrix = np.zeros((len(data)-1, len(data[0])-1))
for i in range(len(data)-1):
    drht_matrix[i] = data[i+1, :-1] - data[i, :-1]

构建特征矩阵的 DataFrame：

df = pd.DataFrame(drht_matrix, columns=['Coal', 'Petroleum', 'Others'])

定义目标变量：

target = data[1:, -1]  # 使用最后一列作为目标变量

数据归一化：

scaler = MinMaxScaler()
df_scaled = scaler.fit_transform(df)

划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(df_scaled, target, test_size=0.13, random_state=42)

创建 TSK 模型对象：

model = TSK_FS(n_cluster=20, C=0.1)

拟合模型：

model.fit(X_train, y_train)

在测试数据集上进行预测：

y_pred = model.predict(X_test)

计算 CRMSE 和 CMAPE：

crmse = np.sqrt(mean_squared_error(y_test, y_pred))
cmape = np.mean(np.abs((y_test - y_pred) / y_test)) * 100

print('CRMSE:', crmse)
print('CMAPE:', cmape)

这样，你就将成分数据的转化方法改成了 DRHT。请注意，以上代码中的'TSK_FS'是你需要根据你的具体需求替换为正确的模型名称。