📄 predictbss01.m
字号:
%模型检验的程序 (实验 成都BSS01_171_2002年7、8、9三月的数据)
%向炳新2004年8月编写
clear all
clc
% 成都BSS01_171小区2002年7月1~8月31日的原始数据（纵轴为天，横轴为各个小时）
origanatedata =[
1.190 0.520 0.050 0.040 0.010 0.040 0.120 0.440 1.310 2.710 2.040 2.360 2.180 2.480 2.030 2.100 2.320 1.900 2.820 3.700 3.350 2.950 2.240 1.290
0.530 0.370 0.190 0.060 0.140 0.010 0.040 0.370 1.030 1.640 2.420 2.640 2.770 2.880 2.360 1.570 2.080 2.680 2.660 3.730 3.020 2.780 2.310 1.140
0.560 0.270 0.180 0.060 0.060 0.050 0.150 0.480 1.060 2.770 1.770 2.150 1.810 3.010 2.290 2.180 2.060 2.730 3.200 3.830 3.520 2.920 2.430 1.160
0.570 0.480 0.300 0.060 0.020 0.010 0.080 0.470 1.570 4.210 2.440 2.960 2.930 3.420 3.340 3.470 2.660 4.790 5.210 3.620 3.140 1.960 1.830 1.350
0.430 0.400 0.190 0.050 0.040 0.080 0.070 0.440 2.990 5.080 3.760 2.750 2.630 2.520 1.600 1.810 2.040 3.490 3.020 3.600 3.660 2.550 2.520 1.250
0.750 0.630 0.360 0.040 0.140 0.020 0.200 0.300 0.940 1.520 2.370 2.300 2.240 2.310 2.800 2.180 2.120 3.670 4.460 3.260 2.750 2.740 1.700 1.030
0.790 0.300 0.060 0.030 0.060 0.060 0.150 0.190 1.080 1.710 1.720 2.020 1.640 1.940 1.630 1.710 1.310 3.700 4.130 2.290 2.770 2.240 1.460 1.410
0.650 0.620 0.180 0.010 0.010 0.100 0.250 0.340 1.250 1.630 1.930 2.990 2.220 2.160 1.880 1.630 1.800 1.910 2.390 3.340 2.710 2.390 1.700 1.100
0.770 0.370 0.220 0.070 0.000 0.010 0.200 0.520 1.020 2.020 2.010 2.650 2.580 2.250 1.850 1.690 1.640 2.000 3.180 2.730 2.890 2.290 1.660 1.740
1.070 0.890 0.210 0.130 0.030 0.040 0.150 0.410 1.220 1.890 2.050 2.170 2.010 1.800 2.030 1.370 1.340 2.130 2.550 2.600 2.390 2.770 1.700 1.110
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.890 0.340 0.150 0.120 0.030 0.040 0.160 0.290 1.130 1.470 1.630 1.870 2.000 2.330 1.690 1.350 2.060 1.880 2.040 2.710 2.940 2.270 1.560 0.980
0.590 0.190 0.150 0.040 0.000 0.000 0.000 0.340 1.140 1.590 1.930 2.190 2.050 1.750 2.230 1.190 1.500 1.620 2.380 2.330 1.920 2.420 1.970 1.170
0.470 0.620 0.000 0.050 0.000 0.160 0.060 0.250 0.940 2.080 1.770 1.780 1.980 1.990 1.910 1.540 1.720 1.770 1.690 2.170 2.100 1.770 1.460 1.740
0.500 0.320 0.090 0.260 0.040 0.000 0.010 0.200 0.080 0.000 1.900 1.850 2.270 1.810 1.650 1.210 1.480 2.190 2.340 2.450 1.950 2.120 1.540 1.080
0.560 0.250 0.240 0.060 0.040 0.020 0.070 0.530 2.030 2.520 3.230 2.510 2.680 2.800 2.160 1.760 1.500 1.380 2.110 2.100 2.920 1.660 1.260 0.830
0.760 0.600 0.070 0.030 0.070 0.010 0.070 0.180 0.940 1.780 1.560 1.780 2.510 2.320 2.430 1.770 1.880 1.900 2.170 2.430 2.090 2.090 1.670 1.260
1.130 0.430 0.070 0.050 0.010 0.010 0.030 0.400 1.390 1.500 1.890 1.940 1.750 1.680 1.540 1.370 1.770 1.780 2.970 2.080 2.190 1.920 1.970 0.800
0.910 0.710 0.100 0.010 0.020 0.000 0.070 0.440 1.210 1.810 2.040 1.600 2.000 1.670 2.200 2.050 1.730 2.030 2.600 2.500 2.830 2.620 1.320 0.830
0.760 0.430 0.290 0.520 0.380 0.010 0.110 0.550 1.130 1.520 2.350 2.440 1.570 1.860 1.110 1.540 2.110 1.780 1.960 2.410 2.610 1.990 1.260 1.280
0.570 0.160 0.110 0.060 0.280 0.080 0.110 0.380 1.040 1.360 1.550 1.640 1.480 1.450 1.240 1.570 1.040 1.380 2.040 2.120 2.560 1.600 1.080 1.720
0.580 0.220 0.040 0.050 0.020 0.010 0.280 0.310 1.080 1.830 1.770 2.770 1.800 1.580 2.080 1.990 2.000 2.260 3.040 3.060 2.800 2.180 2.150 0.870
0.450 0.210 0.060 0.110 0.090 0.010 0.140 0.600 0.920 1.290 1.580 2.030 1.320 1.840 1.710 1.450 1.370 1.790 2.430 3.010 2.780 2.250 3.220 1.080
0.570 0.460 0.200 0.060 0.020 0.040 0.150 0.830 1.330 2.630 2.580 0.000 0.000 0.000 0.000 2.270 2.480 2.460 2.840 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.970 2.370 1.970 2.100 1.810 1.890 1.900 2.310 2.840 3.360 3.020 1.990 2.450 1.450
1.050 0.610 0.350 0.120 0.030 0.070 0.140 0.430 1.310 2.050 1.690 2.180 2.240 1.720 2.220 1.850 2.490 2.430 3.170 3.770 3.730 2.350 1.740 0.900
1.250 0.310 0.170 0.110 0.000 0.000 0.120 0.530 1.050 1.250 1.570 2.360 2.520 2.120 1.980 1.360 1.480 1.810 1.830 2.260 2.540 1.960 1.720 1.580
0.650 0.310 0.430 0.010 0.040 0.100 0.100 0.530 1.050 1.070 1.620 1.600 1.400 2.100 1.410 1.320 1.300 1.670 1.900 2.100 2.230 2.120 1.620 0.700
0.730 0.200 0.130 0.130 0.010 0.010 0.200 0.540 0.710 1.430 1.930 2.110 1.830 1.510 1.510 1.570 1.270 2.350 2.580 2.690 3.270 2.340 1.580 0.690
0.770 0.380 0.140 0.040 0.020 0.080 0.100 0.380 1.150 1.600 1.280 1.730 0.000 0.000 0.000 0.000 1.460 1.770 2.770 3.150 3.470 2.810 1.780 1.370
1.220 0.350 0.110 0.050 0.070 0.030 0.130 0.550 1.050 1.490 1.580 2.100 2.110 0.000 1.630 1.500 1.630 1.870 2.480 2.830 3.310 2.330 1.610 0.760
0.940 0.260 0.210 0.100 0.060 0.020 0.070 0.280 0.900 2.000 1.870 1.890 2.030 2.090 1.640 2.350 1.520 2.490 2.410 2.570 3.490 2.310 1.820 1.340
0.540 0.130 0.090 0.100 0.020 0.010 0.090 0.370 1.230 1.920 2.040 1.830 1.910 0.000 2.390 1.840 2.280 2.480 2.800 3.140 2.790 2.500 1.510 1.050
0.770 0.160 0.040 0.060 0.050 0.060 0.090 0.200 0.900 1.130 1.700 1.750 1.590 1.900 1.990 1.810 1.170 1.810 2.620 2.850 2.420 1.460 1.800 1.090
0.780 0.310 0.110 0.040 0.040 0.010 0.040 0.170 0.660 1.860 1.550 2.020 1.990 1.870 1.390 1.340 1.510 1.650 1.920 2.220 2.260 1.970 1.580 0.590
0.460 0.090 0.120 0.130 0.070 0.020 0.090 0.550 1.480 1.880 1.830 2.300 1.900 2.400 2.110 2.160 1.450 2.210 2.360 2.920 2.860 2.450 3.110 1.830
0.700 0.570 0.220 0.080 0.000 0.000 0.060 0.620 1.160 1.180 1.500 1.550 2.440 1.500 1.740 1.860 2.080 2.190 2.250 2.350 2.810 2.830 1.620 0.880
0.510 0.220 0.090 0.130 0.030 0.000 0.080 0.390 1.190 1.620 1.600 2.310 1.780 1.770 1.340 1.490 1.610 2.290 2.660 3.180 2.970 2.590 1.910 1.100
0.600 0.220 0.340 0.080 0.010 0.060 0.110 0.430 0.950 1.720 2.440 1.750 2.230 2.130 1.780 2.170 1.530 2.190 2.190 2.660 2.700 2.580 1.080 0.700
0.350 0.210 0.060 0.030 0.000 0.030 0.150 0.350 1.430 2.170 1.590 1.940 2.080 1.660 2.040 1.420 1.520 2.640 2.710 3.320 3.840 3.230 1.580 1.840
0.920 0.390 0.160 0.030 0.090 0.100 0.320 0.400 1.130 1.340 1.750 2.470 1.710 1.550 1.630 1.440 1.600 2.040 3.100 2.210 2.550 3.820 1.700 1.100
0.530 0.440 0.130 0.160 0.030 0.000 0.140 0.350 1.090 1.460 1.540 1.400 3.050 2.140 1.560 1.260 1.480 1.720 2.240 2.450 3.330 2.120 2.370 1.240
1.140 0.220 0.200 0.090 0.010 0.040 0.030 0.540 0.930 1.580 1.790 2.240 1.610 1.650 1.690 1.250 1.920 2.170 2.740 2.910 2.770 2.070 2.680 1.470
0.630 0.240 0.120 0.050 0.010 0.080 0.190 0.580 0.770 1.620 1.680 1.950 1.510 1.850 1.760 1.530 1.410 2.060 2.840 4.030 3.610 2.920 1.680 0.830
0.390 0.230 0.040 0.020 0.010 0.010 0.030 0.420 0.810 1.350 1.860 1.680 1.630 1.830 2.070 1.640 1.930 1.830 2.660 2.980 2.540 1.940 1.360 0.630
0.580 0.330 0.250 0.180 0.040 0.030 0.060 0.250 0.860 1.410 1.480 2.000 2.080 1.960 1.870 1.680 1.840 2.080 2.910 3.380 2.580 2.320 2.260 1.290
0.730 0.160 0.330 0.100 0.030 0.000 0.170 0.300 1.070 1.630 2.040 2.200 2.200 2.160 1.610 1.900 2.030 2.380 2.560 2.690 3.120 2.630 2.560 1.130
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.110 0.040 0.100 0.000 0.000 0.000 1.330 1.740 1.820 1.870 1.760 1.280 1.220 1.210 1.740 2.300 2.660 3.110 2.280 1.740 0.740
0.520 0.190 0.120 0.120 0.010 0.120 0.110 0.290 0.740 2.100 1.950 0.000 0.000 0.000 1.170 1.230 1.250 1.120 1.870 2.560 2.860 1.890 1.540 0.620
0.410 0.280 0.030 0.050 0.000 0.020 0.350 0.490 0.780 1.400 1.610 1.580 1.770 1.400 1.300 1.730 1.800 1.580 2.930 2.290 2.630 1.160 1.430 1.300
0.270 0.360 0.090 0.000 0.000 0.000 0.070 0.620 1.490 1.510 1.880 2.240 2.810 1.730 1.870 2.660 1.380 2.200 1.980 2.250 3.610 2.070 2.430 0.670
0.290 0.050 0.080 0.010 0.020 0.010 0.110 0.370 0.700 1.930 1.660 1.990 1.310 1.780 1.710 1.440 1.810 1.730 1.990 2.330 2.720 1.640 1.690 1.160
0.410 0.070 0.190 0.050 0.010 0.040 0.050 1.370 4.190 2.520 2.840 1.860 1.650 1.520 1.530 2.070 1.470 2.690 2.340 2.090 3.420 2.200 1.080 1.000
0.460 0.430 0.090 0.130 0.030 0.020 0.020 0.600 1.300 2.130 2.050 1.900 2.020 1.360 1.260 1.220 1.250 1.950 2.380 2.760 2.870 2.410 2.390 0.780
0.560 0.290 0.100 0.220 0.120 0.030 0.070 0.720 1.700 3.500 3.340 7.180 2.480 1.870 1.540 1.290 1.510 1.550 1.800 1.930 2.510 2.050 1.540 0.660
0.510 0.170 0.050 0.020 0.000 0.010 0.050 0.380 1.160 1.580 1.660 1.640 1.480 1.370 1.410 1.210 1.700 2.700 3.220 1.740 1.870 2.030 1.330 0.550
0.270 0.250 0.080 0.030 0.000 0.020 0.040 0.440 0.760 1.380 1.540 2.440 2.050 1.520 1.370 1.940 1.490 3.060 2.810 2.680 2.850 2.420 1.560 0.760
0.410 0.110 0.030 0.090 0.040 0.010 0.080 0.950 0.990 1.150 1.390 2.000 1.390 0.850 0.960 1.750 1.060 1.540 1.510 2.070 2.430 2.040 1.080 0.920
0.430 0.470 0.010 0.030 0.010 0.000 0.150 0.270 0.710 1.330 1.850 1.480 2.000 1.930 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000 0.070 0.000 0.210 0.430 1.020 1.150 1.060 1.320 2.300 1.570 1.270 1.410 1.580 2.970 1.970 2.440 2.570 2.820 2.410 0.890
0.570 0.290 0.050 0.010 0.110 0.020 0.040 0.320 0.840 1.050 1.260 1.560 1.720 1.380 1.540 1.010 1.410 1.280 1.720 2.680 1.520 1.960 1.270 0.820
0.440 0.240 0.110 0.040 0.020 0.010 0.130 0.450 1.020 1.340 1.110 1.610 1.380 1.620 1.390 1.100 1.360 1.760 2.210 2.530 1.950 2.190 1.370 1.730
1.270 0.520 0.190 0.040 0.010 0.020 0.200 0.400 1.290 1.030 1.470 1.230 1.820 1.300 1.090 1.150 1.950 2.950 2.240 2.710 2.800 2.450 2.270 0.850
0.160 0.110 0.040 0.090 0.000 0.080 0.180 0.290 0.820 1.550 1.360 1.950 1.690 2.450 1.920 1.200 1.230 2.670 2.240 3.270 3.610 2.100 1.820 0.620
0.160 0.180 0.150 0.000 0.000 0.000 0.150 0.430 1.050 1.320 2.120 2.340 1.790 1.700 1.550 1.570 1.860 3.290 2.270 1.950 2.900 1.900 1.500 1.050
0.450 0.530 0.180 0.030 0.030 0.000 0.150 0.400 1.100 1.670 1.600 1.920 2.110 1.890 0.000 0.000 0.000 2.500 3.160 2.980 2.870 1.870 1.920 0.680
0.470 0.300 0.070 0.010 0.000 0.030 0.060 0.590 1.130 1.260 1.890 2.030 0.000 0.000 1.470 2.090 2.440 3.350 4.030 3.370 2.220 1.790 1.010 0.650
0.360 0.230 0.080 0.130 0.030 0.330 0.150 0.450 0.880 1.770 1.870 1.780 1.870 2.170 1.420 1.650 1.720 1.520 1.870 2.480 1.780 1.410 1.370 0.910
0.530 0.170 0.130 0.050 0.020 0.020 0.070 0.290 0.860 1.360 1.170 1.850 1.380 1.880 1.250 1.190 1.570 1.700 2.590 2.530 1.800 1.970 1.310 0.880
0.210 0.270 0.150 0.090 0.060 0.010 0.110 0.500 1.480 1.360 1.750 1.730 2.160 2.200 1.690 1.540 1.930 2.640 2.300 2.540 2.810 2.680 1.430 0.650
0.510 0.090 0.050 0.060 0.010 0.040 0.140 0.380 1.030 1.440 1.960 1.940 1.750 1.830 1.520 1.880 2.630 3.250 3.450 2.450 2.240 1.770 0.940 0.990
0.350 0.040 0.000 0.000 0.000 0.030 0.090 0.370 1.030 1.140 1.730 1.420 1.760 1.910 1.430 2.360 1.950 2.650 2.260 2.310 2.560 1.790 1.390 0.580
0.260 0.210 0.100 0.020 0.010 0.010 0.040 0.490 1.180 1.500 1.490 1.650 2.310 2.430 1.590 1.540 1.460 2.120 2.400 2.510 2.050 2.220 1.760 0.540
0.550 0.110 0.090 0.030 0.010 0.040 0.100 0.260 1.120 2.240 0.280 1.470 2.510 2.790 1.750 1.950 2.480 3.320 3.510 3.590 2.680 2.350 2.090 1.500
0.870 0.400 0.130 0.020 0.020 0.070 0.100 0.380 1.060 2.330 2.350 2.620 3.100 2.280 2.470 1.990 1.920 2.800 2.830 3.260 2.740 2.430 1.470 1.200
0.720 0.410 0.540 0.420 0.080 0.060 0.090 0.310 1.180 2.140 1.900 1.770 1.470 1.800 1.380 1.400 1.840 1.650 2.390 2.410 1.910 1.590 1.340 0.690
0.430 0.100 0.050 0.190 0.020 0.000 0.080 0.580 1.250 1.280 1.800 2.350 1.830 2.330 2.140 1.700 2.510 2.780 2.810 3.060 2.580 1.610 1.320 0.910
0.460 0.190 0.100 0.020 0.050 0.000 0.100 0.460 0.950 1.580 2.100 1.650 2.050 1.220 2.010 1.740 1.930 2.230 2.980 3.220 3.160 2.730 1.830 0.840
0.890 0.830 0.240 0.090 0.000 0.030 0.060 0.490 1.050 1.870 2.060 2.150 2.400 1.940 1.640 1.840 2.070 2.630 2.320 3.280 1.870 1.500 1.880 1.030
0.250 0.120 0.050 0.010 0.060 0.000 0.150 0.480 1.170 0.000 1.410 1.880 2.130 1.450 1.680 1.720 1.620 2.980 2.840 3.290 2.710 2.390 1.160 0.840
0.770 0.150 0.030 0.010 0.000 0.080 0.090 0.390 1.060 1.510 1.800 1.880 2.630 2.180 1.720 2.170 2.840 4.630 4.430 3.280 3.100 2.110 1.370 1.280
0.590 0.100 0.030 0.080 0.020 0.050 0.150 0.460 1.270 2.160 2.440 2.500 2.090 1.950 1.930 1.430 1.710 2.440 2.940 2.860 2.530 2.170 1.470 0.390
0.350 0.140 0.300 0.020 0.100 0.070 0.040 0.440 1.290 0.000 2.470 2.880 2.720 2.590 1.910 1.910 1.970 3.790 3.750 4.990 3.040 3.200 2.710 1.420
0.720 0.280 0.100 0.070 0.030 0.070 0.090 0.550 1.710 2.360 2.790 2.270 3.500 2.700 2.460 3.620 4.360 4.720 8.300 4.070 3.280 3.980 2.500 1.060
];
% 模型数据 （1天中各个时刻的值：0～23，每1小时一次值）
f=[0.659 0.312 0.156 0.085 0.053 0.043 0.112 0.443 1.216 1.879 1.924 2.170 1.983 2.014 1.781 1.711 1.788 2.286 2.737 2.812 2.693 2.280 1.759 1.032];
% 每天各个时刻的基点值
x=[
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
];
% 此程序近针对8月份的某天作预测
predict_time=8.19; % 输入某天的预测日期 如：8月15日
D_index=(floor(predict_time)-7)*31+mod(predict_time*100,100);
base=D_index;
lenarray=zeros(3,1);
R=zeros(24,1); %存储每天各个时刻的预测值
% 下面开始对这一天的各个时刻开始作预测处理
for point=0:1:23 % B for 1
% 得到在原始数据中，预测点的下标【base，point】
%时刻起------下面开始预测该天各个时刻可能出现的数据值--------
% 取前1~h=3小时的数据，放于数组h_A【1。。3】中
h=3;
h_A=zeros( h,2);
hh_r=zeros(h);
h_r=1;%时刻变量
h_id=1; %下表变量
%下面取取前1~h=3小时的数据
while h_id<=h
if( point+1-h_r<=0 ) %该时刻之前的h_r时刻，是前一天的最后某时刻的情况
if( D_index-1<1 )
'天预测准备数据不全，情况1'
return
end
if( origanatedata (D_index-1,24+(point+1-h_r)) ~=0 )
h_A(h_id ,1 )=origanatedata(D_index-1,24+(point+1-h_r));
h_A(h_id ,2 )= h_r;
h_id=h_id+1;
end
elseif( origanatedata(D_index, point+1-h_r) ~=0 )%该时刻之前的h_r时刻，就是本天的某时刻的情况
h_A(h_id ,1 )=origanatedata(D_index, point+1-h_r);
h_A(h_id ,2 )= h_r;
h_id=h_id+1;
end
h_r=h_r+1;
end
% 计算前各个时刻的相对涨幅值
for i=1:h
if (point+1-h_A(i,2) >=1 )
hh_r(i)=( h_A(i,1) - f( point+1-h_A(i,2)) )/f( point+1-h_A(i,2));
else
hh_r(i)=( h_A(i,1) - f( 24+(point+1-h_A(i,2))) )/f( 24+(point+1-h_A(i,2)) ) ;
end
end
%计算时刻情况影响的预测涨幅值
hh0= hh_r(1) * 0.4495 + hh_r(2) * 0.3211 + hh_r(3) * 0.2294 ;
avg_hh=(sum(hh_r)+hh0)/(h+1);
% 计算预测涨幅值相对于前面所取各个时刻涨幅值的波动平衡因子
ballancefactor_h=abs(hh0- avg_hh);
%时刻止-------处理完近几时刻的数据涨幅-----------
%2------下面开始处理近几天的数据涨幅--------
% 取前4天该时刻的数据，放于数组d_A【1。。4】中
d=4;
d_A=zeros( d);
dd_r=zeros(d);
d_r=1; %天时间变量
d_id=1; %天下表变量
%下面取取前1~d=4天的数据
while d_id<=d
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -