参考：
https://blog.csdn.net/mao_hui_fei/article/details/103821601
1、多项式函数回归拟合
import numpy as np
from scipy.optimize import leastsq
import pylab as pl
x = np.arange(1, 17, 1)
y = np.array([4.00, 6.40, 8.00, 8.80, 9.22, 9.50, 9.70, 9.86, 10.00, 10.20, 10.32, 10.42, 10.50, 10.55, 10.58, 10.60])
# 第一个拟合，自由度为3
z1 = np.polyfit(x, y, 3)
# 生成多项式对象
p1 = np.poly1d(z1)
print(z1) ##多项式参数
print(p1) ##多项式函数
x ^3+ x ^2…
from scipy.interpolate import interp1d
import numpy as np
# 假设有手机和船的时间和坐标数据
# 手机坐标数据
phone_time = [0, 1, 2, 3, 4, 5]
phone_x = [0, 2, 3, 5, 8, 10]
phone_y = [0, 1, 2, 3, 4, 5]
# 船坐标数据
ship_time = [0, 1, 2, 3, 4, 5]
ship_x = [0, 1, 1.5, 2, 2.5, 3]
ship_y = [0, 0.5, 0.75, 1, 1.25, 1.5]
# 多项式拟合
phone_polyfit_x = np.polyfit(phone_time, phone_x, 3) # 选择三次多项式拟合（x坐标）
phone_polyfit_y = np.polyfit(phone_time, phone_y, 3) # 选择三次多项式拟合（y坐标）
ship_polyfit_x = np.polyfit(ship_time, ship_x, 2) # 选择二次多项式拟合（x坐标）
ship_polyfit_y = np.polyfit(ship_time, ship_y, 2) # 选择二次多项式拟合（y坐标）
# 生成多项式对象
phone_poly_x = np.poly1d(phone_polyfit_x)
phone_poly_y = np.poly1d(phone_polyfit_y)
ship_poly_x = np.poly1d(ship_polyfit_x)
ship_poly_y = np.poly1d(ship_polyfit_y)
print(phone_polyfit_x )
print(phone_poly_x)
# 测试拟合和插值函数
test_time = 2.5
phone_polyfit_x_result = phone_poly_x(test_time)
phone_polyfit_y_result = phone_poly_y(test_time)
ship_polyfit_x_result = ship_poly_x(test_time)
ship_polyfit_y_result = ship_poly_y(test_time)
print("多项式拟合结果:")
print("手机在时间{}的坐标: ({}, {})".format(test_time, phone_polyfit_x_result, phone_polyfit_y_result))
print("船在时间{}的坐标: ({}, {})".format(test_time, ship_polyfit_x_result, ship_polyfit_y_result))
2、多项式函数插值拟合
对于插值函数 interp1d(phone_time, phone_x, kind=‘cubic’)，无法直接获取多项式的参数与具体函数表达式。这是因为该函数使用样条插值方法，它的内部实现是基于一组数据点来构建一个平滑的曲线，而不是使用多项式拟合。
样条插值使用的是一种分段函数，每个区间内使用了一个低次数的多项式函数来逼近数据点。因此，无法简单地表示为一个单一的多项式函数。
from scipy.interpolate import interp1d
import numpy as np
# 假设有手机和船的时间和坐标数据
# 手机坐标数据
phone_time = [0, 1, 2, 3, 4, 5]
phone_x = [0, 2, 3, 5, 8, 10]
phone_y = [0, 1, 2, 3, 4, 5]
# 船坐标数据
ship_time = [0, 1, 2, 3, 4, 5]
ship_x = [0, 1, 1.5, 2, 2.5, 3]
ship_y = [0, 0.5, 0.75, 1, 1.25, 1.5]
# 插值
phone_interp_x = interp1d(phone_time, phone_x, kind='cubic') # 使用样条插值（x坐标）
phone_interp_y = interp1d(phone_time, phone_y, kind='cubic') # 使用样条插值（y坐标）
ship_interp_x = interp1d(ship_time, ship_x, kind='linear') # 使用线性插值（x坐标）
ship_interp_y = interp1d(ship_time, ship_y, kind='linear') # 使用线性插值（y坐标）
print(phone_interp_x,phone_interp_x.__dict__ )
print(ship_interp_x,ship_interp_x.__dict__ )
# 测试拟合和插值函数
test_time = 2.5
phone_interp_x_result = phone_interp_x(test_time)
phone_interp_y_result = phone_interp_y(test_time)
ship_interp_x_result = ship_interp_x(test_time)
ship_interp_y_result = ship_interp_y(test_time)
print("插值结果:")
print("手机在时间{}的坐标: ({}, {})".format(test_time, phone_interp_x_result, phone_interp_y_result))
print("船在时间{}的坐标: ({}, {})".format(test_time, ship_interp_x_result, ship_interp_y_result))
3、ARIMA时间序列模型拟合
参考：https://blog.csdn.net/m0_46262108/article/details/122806515
https://blog.csdn.net/tecdat/article/details/128752078
安装：pip install statsmodels文章来源：https://www.toymoban.com/news/detail-570727.html
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
# 假设有手机在不同时间点的坐标数据
mobile_data = [(1, 2, 10), (2, 3, 15), (3, 5, 20), (4, 6, 25)]
# 每个点为 (x, y, t) 坐标，其中 x 和 y 为手机在某个时间点的坐标值，t 为时间点
# 将坐标数据转换为 pandas DataFrame 格式
df = pd.DataFrame(mobile_data, columns=['x', 'y', 't'])
# 将时间点 t 设置为索引
df.set_index('t', inplace=True)
# 创建时间序列模型 (ARIMA 模型)
model_x = ARIMA(df['x'], order=(1, 0, 0)) # 设置 ARIMA 模型的 p、d、q 参数
model_y = ARIMA(df['y'], order=(1, 0, 0))
# 拟合模型
model_fit_x = model_x.fit()
model_fit_y = model_y.fit()
# 预测当前时间点的坐标值
current_t = 30 # 假设当前时间点为 t=30
predicted_x = model_fit_x.predict(end=current_t)
predicted_y = model_fit_y.predict(end=current_t)
print("Predicted x:", predicted_x.iloc[-1])
print("Predicted y:", predicted_y.iloc[-1])
文章来源地址https://www.toymoban.com/news/detail-570727.html
到了这里，关于numpy 多项式函数回归与插值拟合模型；ARIMA时间序列模型拟合的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
