目录
介绍
确定性时间序列分析方法
1、时间序列的常见趋势
(1)长期趋势
(2)季节变动
(3)循环变动
(4)不规则变动
常见的时间序列模型有以下几类
2、时间序列预测的具体方法
2.1 移动平均法
案例1
【符号说明】
【预测模型】
2.2 一次指数平滑预测法
(1)预测模型
(2)加权系数的选择
(3)初始值的确定
案例2
3、差分指数平滑法
案例3
4、具有季节性特点的时间序列的预测
案例4
介绍
将预测对象按照时间顺序排成一组序列,称为时间序列。从时间序列过去的变化规律,推断今后变化的可能性及变化趋势、变化规律,这就是时间序列预测法。
时间序列模型,其实也是一种回归模型。其基本原理是,一方面承认事物发展的延续性,运用过去时间序列进行统计分析就能推断事物发展趋势;另一方面又充分考虑到偶然因素影响产生的随机性,为了消除随机波动的影响,利用历史数据,进行统计分析,并对数据做适当的处理,进行趋势预测。
- 优点:简单易行,便于掌握,能重复利用时间序列各项数据,计算速度快,对模型参数动有态确定能力,精度较好。
- 缺点 : 不能反映事物内在联系,不能分析两个因素的相关关系,只适合作短期预测。
确定性时间序列分析方法
1、时间序列的常见趋势
(1)长期趋势
时间序列朝着一定的方向持续上升或下降或留在某个水平的倾向。它反映了客观事物主要变化趋势,记为Tt;
(2)季节变动
序列按时间呈现短周期变化的规律,记为St;
(3)循环变动
通常是周期为一年以上的,由非季节因素一起的起伏波相似的波动,记为Ct;
(4)不规则变动
通常分为突然变动和随机扰动(变动),记为Rt。
常见的时间序列模型有以下几类
- 加法模型 yt=Tt+St+Ct+Rt;(常用)
- 乘法模型 yt=Tt×St×Ct×Rt;
- 混合模型 yt=Tt×St+Rt;yt=St+Tt×Ct×Rt;
其中,yt为观测值,随机变动Rt满足
如果在预测时间范围内,无突然变动或者随机波动的方差σ2较小,并且有理由认为现在的演变趋势将持续发展到未来,可用一些经验方法进行预测。
2、时间序列预测的具体方法
2.1 移动平均法
设观测时间序列为y1,y2,…,yT。
一次移动平均值计算公式:
二次移动平均值计算公式:
这里N<T,一般5≤N≤200.
(1)当预测目标的基本趋势在某一水平上下波动时,采用一次移动平均方法计算预测,即
(2)当预测目标的基本趋势与某一直线相吻合时,采用二次移动平均法.
以上预测标准误差为
一般来说,N取多少为好,S越小越好。如果数据自带周期,N最好取周期值。
案例1
某企业1-11月的销售收入时间序列如表1所列,试用一次移动平均法预测12月的销售收入。
表1 1-11月销售收入记录
月份t |
1 |
2 |
3 |
4 |
5 |
6 |
销售收入yt |
533.8 |
574.6 |
606.9 |
649.8 |
705.1 |
772.0 |
月份t |
7 |
8 |
9 |
10 |
11 |
|
销售收入yt |
816.4 |
892.7 |
963.9 |
1015.1 |
1102.7 |
【符号说明】
- t 时间变量t=1,2,…,11
- yt 销售量记录值
- n 移动平均项数
- Mt 一次移动平均值,t=n,n+1,…,11
- y(1) 预测值,t=5,6,…,12
【预测模型】
一次移动平均预测模型为:
针对n=3,4,5,都做一次移动平均预测,将计算结果和误差都反映在表2.
先编写一个时间序列为yt,移动平均项n的预测与误差的程序yd1.m,再调用此函数计算不同n值的预测与误差,存放在表2进行对比
表2 n分别取3,4,5的预测对比
t |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
标准误差 |
yt |
705.10 |
772.00 |
816.40 |
892.70 |
963.90 |
1015.10 |
1102.70 |
0.00 |
n=3 |
653.93 |
708.97 |
764.50 |
827.03 |
891.00 |
957.23 |
1027.23 |
60.73 |
n=4 |
634.10 |
683.45 |
735.83 |
796.55 |
861.25 |
922.03 |
993.60 |
92.37 |
n=5 |
614.04 |
661.68 |
710.04 |
767.20 |
830.02 |
892.02 |
958.16 |
124.63 |
function [M1,s]=yd1(yt,n)
t=length(yt);
yt1=[];
for k=n:t
yr=yt(k-n+1:k);
yr1=mean(yr);
yt1=[yt1,yr1];
end
M1=[zeros(1,n-1),yt1];
yt21=yt(n+1:t);
yt22=M1(n+1:t);
yts=yt22-yt21;
s=(sum(yts.^2)/(t-n))^0.5;
yt=[533.8 574.6 606.9 649.8 705.1 772 816.4 892.7 963.9 1015.1 1102.7];
n=5;
[m1,s1]=yd1(yt,3);
[m2,s2]=yd1(yt,4);
[m3,s3]=yd1(yt,5);
S=[0,s1,s2,s3];
Y=[yt;m1;m2;m3];
B=[Y,S'];
xlswrite('d:\yidong1.xlsx',B);
由表2可见,n=3比n=4预测效果好,n=4比n=5预测效果好。用n=3的计算作预测,12月份销售量为1027.23.
2.2 一次指数平滑预测法
(1)预测模型
设时间序列为y1,y2,…,yt,…,α为加权系数,0<α<1,一次指数平滑公式为
预测模型为
(2)加权系数的选择
(1)如果时间序列波动不大,比较平稳,则α取小一点,0.1-0.5,减小修正幅度,使预测模型包含较长的序列信息;
(2)如果序列具有迅速增加的变动趋势,α取大一点,0.6-0.8,使得预测模型灵敏度高一些,以便迅速跟上数据的变化。
(3)初始值的确定
一般选取最初几期实际值的平均值作为初始值。
案例2
就案例1中问题,用指数平滑预测法预测12月销售量。
就α=0.2,0.5,0.8分别作一次指数平滑预测,初始值为
即
按照预测模型计算不同α预测结果与误差,计入表3,进行对比做出决策。
function [s1,s]=expph1(yt,a)
n=length(yt);
s1(1)=mean(yt(1:2));
for k=2:n
s1(k)=a*yt(k)+(1-a)*s1(k-1);
end
y11=s1-yt;
s=std(y11);
yt=[533.8 574.6 606.9 649.8 705.1 772 816.4 892.7 963.9 1015.1 1102.7];
[m1,s1]=expph1(yt,0.2);
[m2,s2]=expph1(yt,0.5);
[m3,s3]=expph1(yt,0.8);
s=[0,s1,s2,s3];
m=[yt;m1;m2;m3];
B=[m,s'];
xlswrite('d:\yd1.xlsx',B);
表3 不同权系数的指数平滑预测及其标准误差
月份 |
1 |
2 |
3 |
4 |
5 |
6 |
yt |
533.80 |
574.60 |
606.90 |
649.80 |
705.10 |
772.00 |
a=0.2 |
554.20 |
558.28 |
568.00 |
584.36 |
608.51 |
641.21 |
a=0.5 |
554.20 |
564.40 |
585.65 |
617.73 |
661.41 |
716.71 |
a=0.8 |
554.20 |
570.52 |
599.62 |
639.76 |
692.03 |
756.01 |
月份 |
7 |
8 |
9 |
10 |
11 |
误差 |
yt |
816.40 |
892.70 |
963.90 |
1015.10 |
1102.70 |
0.00 |
a=0.2 |
676.25 |
719.54 |
768.41 |
817.75 |
874.74 |
81.82 |
a=0.5 |
766.55 |
829.63 |
896.76 |
955.93 |
1029.32 |
28.33 |
a=0.8 |
804.32 |
875.02 |
946.12 |
1001.30 |
1082.42 |
11.20 |
由表3可以看出,α=0.8误差最小,选择系数α=0.8进行预测,12月份的销售量为
图2 预测值与实际值对比
从表2、表3和图2可以看出,预测值总是滞后于实际值。原因就是数据不满足模型要求(平稳型)。
3、差分指数平滑法
差分是改变数据趋势的根本方法(就像导数改变幂函数阶数一样)。如果数据呈现直线吻合型,差分后就呈现平稳性。
一阶差分指数平滑预测模型公式如下
【1】
公式【1】的第三个表示是就相当于:预测值=原值+差分(微分)的预测值.
案例3
对案例1问题用差分指数平滑法预测第12月的销售量。(取α=0.5).
(1)先计算原始数据xt的差分,得到yt;
(2)对数据yt,取α=0.5做一次指数平滑预测,得到St;
(3)作预测
先编制一个给定时间序列和α的计算差分指数平滑预测的m函数,再调用m这个函数将计算结果汇总到表4.将预测结果与实测值对比如图3.差分指数平滑预测当α=0.5时,误差较小。
function [yc,err]=diffexpph(yt,a)
y=diff(yt);
[ym,s]=expph1(y,a);
y=[0,y];
ym=[0,ym];
n=length(y);
r=a*y(n)+(1-a)*ym(n);
ym=[ym,r];
for k=1:n
yc(k+1)=ym(k+1)+yt(k);
end
xy=yc(2:end-1)-yt(2:end);
err=(sum(xy.^2)/10)^0.5;
yt=[533.8 574.6 606.9 649.8 705.1 772 816.4 892.7 963.9 1015.1 1102.7]; a=0.5;
[yc,err]=diffexpph(yt,a);
plot(2:11,yt(2:end),'*',2:11,yc(2:end-1),'+'),
legend('实测值','预测值')
>> A1=[yt,0];
>> A=[A1;yc];
>> xlswrite('d:\diffexpph.xlsx',A)
图3 差分指数平滑预测于实测对比
月份 |
1 |
2 |
3 |
4 |
5 |
6 |
实测yt |
533.8 |
574.6 |
606.9 |
649.8 |
705.1 |
772 |
预测yc |
570.35 |
609.025 |
645.5625 |
696.7813 |
762.0406 |
|
月份 |
7 |
8 |
9 |
10 |
11 |
12 |
实测yt |
816.4 |
892.7 |
963.9 |
1015.1 |
1102.7 |
|
预测yc |
822.6703 |
879.8852 |
960.0426 |
1023.171 |
1088.536 |
1183.218 |
表4 案例3差分指数平滑预测有关数据
由表4可以得到预测值,第12月销售量为1183.218.将不同α取值(0.1,0.3,0.6,0.9)计算结果汇总到表5,对比显示,差分指数平滑对线性吻合型数据,α取值越大,预测越准确。
yt=[533.8 574.6 606.9 649.8 705.1 772 816.4 892.7 963.9 1015.1 1102.7];
[yc1,s1]=diffexpph(yt,0.1);
[yc2,s2]=diffexpph(yt,0.3);
[yc3,s3]=diffexpph(yt,0.6);
[yc4,s4]=diffexpph(yt,0.9);
A1=[0,yt(2:end),0];
A2=[0,s1,s2,s3,s4];
A=[A1;yc1;yc2;yc3;yc4]';
B=[A;A2];
xlswrite('d:\diffexpph1.xlsx',B)
月份\α |
0.1 |
0.3 |
0.6 |
0.9 |
|
1 |
0 |
0 |
0 |
0 |
0 |
2 |
574.6 |
570.35 |
570.35 |
570.35 |
570.35 |
3 |
606.9 |
610.725 |
609.875 |
608.6 |
607.325 |
4 |
649.8 |
643.7025 |
644.4625 |
646.24 |
648.7825 |
5 |
705.1 |
688.4523 |
692.6838 |
698.716 |
703.7583 |
6 |
772 |
746.577 |
755.1886 |
764.8064 |
770.7058 |
7 |
816.4 |
813.7693 |
820.382 |
822.5226 |
818.5206 |
8 |
892.7 |
861.6224 |
873.1574 |
882.389 |
889.7221 |
9 |
963.9 |
940.5202 |
953.7902 |
961.8156 |
964.1122 |
10 |
1015.1 |
1012.058 |
1022.023 |
1022.266 |
1017.121 |
11 |
1102.7 |
1067.202 |
1082.066 |
1091.006 |
1099.262 |
12 |
0 |
1158.352 |
1175.856 |
1185.623 |
1189.956 |
误差 |
0 |
19.44747 |
12.10722 |
6.799773 |
2.281841 |
表5 指数平滑不同α预测对比
4、具有季节性特点的时间序列的预测
具有季节特性的时间序列预测方法很多,这里介绍季节系数法,步骤如下:
(1)收集m年的每年各个季度或者各个月份(n个季度)的时间序列aij,i表示年份,i=1,2,…,m;j表示季度,j=1,2,…,n;
(2)计算所有数据的平均值
(3)计算同季度的算数平均数
(4)计算季度系数
(5)预测计算
当时间序列是按季度给出,先求初预测年份(下一年)的年加权平均
再计算预测年份季度平均
最后预测当年第j季度的预测值
案例4
某商店某类商品1999-2000年各季度销售额如表6所示,预测2004年各季度销售额。
表6 1999-2003各季度销售额 (单位:元)
年份\季度 |
1 |
2 |
3 |
4 |
1999 |
137920 |
186742 |
274561 |
175422 |
2000 |
142814 |
198423 |
265419 |
183512 |
2001 |
131002 |
193987 |
247556 |
169847 |
2002 |
157436 |
200144 |
283002 |
194319 |
2003 |
149827 |
214301 |
276333 |
185204 |
2004 |
145573 |
201170 |
272696 |
183901文章来源:https://www.toymoban.com/news/detail-742702.html |
模型求解:按照上面的规范步骤,2004年个季度销售额预测填入表6最后一行文章来源地址https://www.toymoban.com/news/detail-742702.html
B=xlsread('d:\jidu.xlsx');
A=B(:,2:end);
[m,n]=size(A);
a=sum(sum(A))/m/n;
aj=mean(A);
bj=aj/a;
yi=sum(A');
w=1:m;
yc=sum(yi.*w)/sum(w)/n;
ycj=yc*bj
到了这里,关于数学建模——确定性时间序列分析方法的文章就介绍完了。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!