如何在Gekko模型中利用拟合模型的predict()方法实现预测？

许多Python建模库（如sklearn、statsmodels）都提供predict()方法，可根据输入观测值输出模型预测结果。但当输入是Gekko模型中的变量（如GK_FV）时，直接调用predict()会报错，因为该方法仅支持数值型输入，而Gekko变量是符号化对象，无法直接转换为浮点数或numpy数组。

问题复现 #

以下是极简演示示例（实际使用statsmodels的B样条模型，此处用sklearn线性回归简化，方案需适配复杂模型类）：

from sklearn.linear_model import LinearRegression
import numpy as np
from gekko import GEKKO

# 创建数据并拟合模型
x = np.arange(100)[:, np.newaxis]
y = np.arange(100) * 2 + 10
model = LinearRegression()
model.fit(x, y)

# Gekko优化部分
m = GEKKO()
x2 = m.FV()
x2.STATUS = 1
y2 = 50

# 尝试直接传入Gekko变量到predict()
x2_arr = np.array(x2).reshape(1, -1)
m.Minimize((y2 - model.predict(x2_arr)) ** 2)

m.options.IMODE = 3
m.solve(disp=True)

报错信息 #

TypeError: float() argument must be a string or a real number, not 'GK_FV'
ValueError: setting an array element with a sequence.

解决方案 #

核心思路是将拟合模型的预测逻辑转换为Gekko可识别的符号表达式，而非直接调用predict()方法。因为predict()是为数值计算设计的，而Gekko需要符号化表达式来构建优化问题。

1. 线性回归模型示例 #

线性回归的预测公式是y = coef * x + intercept，直接用Gekko表达式实现即可：

from sklearn.linear_model import LinearRegression
import numpy as np
from gekko import GEKKO

# 拟合模型
x = np.arange(100)[:, np.newaxis]
y = np.arange(100) * 2 + 10
model = LinearRegression()
model.fit(x, y)

# Gekko优化
m = GEKKO()
x2 = m.FV(value=0)  # 初始化变量值
x2.STATUS = 1

y2 = 50
# 用Gekko表达式模拟predict()计算逻辑
y_pred = model.coef_[0] * x2 + model.intercept_

# 最小化平方误差
m.Minimize((y2 - y_pred) ** 2)

m.options.IMODE = 3
m.solve(disp=True)

print(f"x2 = {x2.value[0]:.3f}")

2. 复杂模型（如statsmodels B样条GLMGam）示例 #

对于B样条这类非线性模型，需要提取模型的关键参数（基函数节点、系数等），再用Gekko的内置函数构建预测逻辑：

from statsmodels.gam.generalized_additive_model import GLMGam
from statsmodels.gam.smooth_basis import BSplines
import numpy as np
from gekko import GEKKO

# 拟合B样条模型（示例数据）
x = np.arange(100)[:, np.newaxis]
y = np.sin(x/10) + np.random.normal(0, 0.1, size=100)
bs = BSplines(x, df=10, degree=3)
gam_model = GLMGam(y, smoother=bs).fit()

# Gekko优化部分
m = GEKKO()
x_gekko = m.FV(value=50)
x_gekko.STATUS = 1

# 提取模型参数
knots = gam_model.smoothers[0].knots
coef = gam_model.params
intercept = gam_model.intercept_

# 用Gekko的bspline函数构建基函数
basis = m.bspline(x_gekko, knots, degree=3)
# 计算预测值
y_pred_gekko = m.sum([coef[i] * basis[i] for i in range(len(coef))]) + intercept

# 设定优化目标（示例：匹配目标值0.5）
target_y = 0.5
m.Minimize((target_y - y_pred_gekko)**2)

m.options.IMODE = 3
m.solve(disp=True)

print(f"最优x值：{x_gekko.value[0]:.3f}")

关键说明 #

• 不能通过修改GK_FV的float()方法解决问题，因为predict()本质是数值计算，而Gekko需要符号化表达式让求解器处理优化问题。
• 所有拟合模型的预测逻辑都需要转换为Gekko支持的表达式，核心是提取模型的数学计算规则，而非直接调用库方法。

内容的提问来源于stack exchange，提问作者Florent H