数学建模——确定性时间序列分析方法

这篇具有很好参考价值的文章主要介绍了数学建模——确定性时间序列分析方法。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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满足数学建模——确定性时间序列分析方法,matlab,开发语言

 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:数学建模——确定性时间序列分析方法,matlab,开发语言

二次移动平均值计算公式:数学建模——确定性时间序列分析方法,matlab,开发语言

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,即数学建模——确定性时间序列分析方法,matlab,开发语言

(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.数学建模——确定性时间序列分析方法,matlab,开发语言

以上预测标准误差为 数学建模——确定性时间序列分析方法,matlab,开发语言

 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:数学建模——确定性时间序列分析方法,matlab,开发语言

 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数学建模——确定性时间序列分析方法,matlab,开发语言

预测模型为数学建模——确定性时间序列分析方法,matlab,开发语言

 (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,初始值为数学建模——确定性时间序列分析方法,matlab,开发语言

数学建模——确定性时间序列分析方法,matlab,开发语言

按照预测模型数学建模——确定性时间序列分析方法,matlab,开发语言计算不同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 数学建模——确定性时间序列分析方法,matlab,开发语言数学建模——确定性时间序列分析方法,matlab,开发语言

                                                  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

 数学建模——确定性时间序列分析方法,matlab,开发语言【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;数学建模——确定性时间序列分析方法,matlab,开发语言

(2)对数据yt,取α=0.5做一次指数平滑预测,得到St;数学建模——确定性时间序列分析方法,matlab,开发语言

(3)作预测数学建模——确定性时间序列分析方法,matlab,开发语言

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)

数学建模——确定性时间序列分析方法,matlab,开发语言

                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数学建模——确定性时间序列分析方法,matlab,开发语言

(3)计算同季度的算数平均数数学建模——确定性时间序列分析方法,matlab,开发语言

(4)计算季度系数数学建模——确定性时间序列分析方法,matlab,开发语言

(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)的年加权平均数学建模——确定性时间序列分析方法,matlab,开发语言

再计算预测年份季度平均数学建模——确定性时间序列分析方法,matlab,开发语言

最后预测当年第j季度的预测值数学建模——确定性时间序列分析方法,matlab,开发语言

 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

 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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 确定性网络技术怎样实现网络的可靠性?

    确定性网络技术通过采用特定的协议、机制和策略,有助于提高网络的可靠性。本文通过一些关键的方面,来说明确定性网络技术如何实现这一目标。 时钟同步机制是确定性网络中的核心角色。为了实现高度可靠的通信,需要采用先进的时钟同步技术,例如像IEEE 1588 和 802

    2024年01月21日
    浏览(45)
  • 蒙特卡罗方法:当丢失确定性时的处理办法

    蒙特卡罗(Monte Carlo),也可翻译为蒙特卡洛,只是不同的音译选词,比较常用的是蒙特卡罗。是摩洛哥的一片城区,以拥有豪华赌场闻名,蒙特卡罗方法是基于概率的。基本思想:如果你想预测一件事情的结果,你只要把随机生成的各种输入值,把这件事模拟很多遍,根据

    2023年04月10日
    浏览(38)
  • 架构中保障交付关键动作之降低不确定性

    不确定性的来源有多个方面。 首先是目标的不确定性 。这主要是赞助方对目标的不确定而导致的。 第二是资源的不确定性 。这是互联网时代架构师所面临的最大挑战。无论是国内还是国外的互联网企业,往往通过类似于虚拟机超卖的方案去刺激团队的产出。 企业往往会同

    2024年02月02日
    浏览(48)
  • FPGA时序分析与约束(3)——时钟不确定性

            在之前的文章中,我们介绍了组合电路的时序和时序电路的时序问题,在阅读本文章之前,强烈推荐先阅读完本系列之前的文章,因为这是我们继续学习的理论的理论基础,前文链接: FPGA时序分析与约束(2)——时序电路时序         本文我们将介绍时钟相关

    2024年02月10日
    浏览(40)
  • 贝叶斯神经网络 - 捕捉现实世界的不确定性

    贝叶斯神经网络 - 捕捉现实世界的不确定性 Bayesian Neural Networks 生活本质上是不确定性和概率性的,贝叶斯神经网络 (BNN) 旨在捕获和量化这种不确定性 在许多现实世界的应用中,仅仅做出预测是不够的;您还想知道您对该预测的信心有多大。例如,在医疗保健领域,如果模型

    2024年02月10日
    浏览(32)
  • 商业生态重塑进行时,百度AIGC锚定确定性生意增长

    AIGC浪潮席卷之下,品牌营销该如何乘风而上,在充满不确定性的未来中收获确定性新增量? 近日,首届「iBrandi Festival品创·全球品牌节」·论坛在京举行,众多行业嘉宾围绕“品牌力量Brand Power”展开深度探讨,百度品牌营销业务部负责人陆毅明出席并发表「AIGC点亮品牌新未

    2024年02月13日
    浏览(36)
  • 动态不确定性的动态S过程(Matlab代码实现)

     💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码实现 文献来

    2024年02月11日
    浏览(44)
  • 【经济研究】论文《经济ZC不确定性与创新》数据复现

    数据简介 :当前宏观经济面临较大下行压力,需要“稳中求进”兼顾经济高质量发展与经济增速等多种目标,这就不可避免地导致各种经济ZC的频繁调整,产生不确定性风险。在此背景下,经济政策不确定性上升如何影响企业决策,进而是否会阻碍中国创新驱动发展战略有效

    2024年02月10日
    浏览(49)
  • 一种融合偶然和认知不确定性的贝叶斯深度学习RUL框架

    _ 原文: _ 《《A Bayesian Deep Learning RUL Framework Integrating Epistemic and Aleatoric Uncertainties》 _ 作者 __ : _ Gaoyang Lia,Li Yangb,Chi-Guhn Leec,Xiaohua Wangd,Mingzhe Ronge _ 作者单位: _ _a. School of Electrical Engineering, State Key Laboratory of Electrical Insulation and Power Equipment, Xi’an Jiaotong University _ b. B

    2024年02月08日
    浏览(49)
  • 人工智能_不确定性推理(5,证据理论 6,模糊推理方法 7,模糊控制)

    4.5 证据理论 证据理论(theory of evidence):又称D一S理论,是德普斯特(APDempster)首先提出,沙佛(GShafer)进一步发展起来的一种处理不确定性的理论 D-S证据推理针对的是6分不清”或“不知道”这样的不确定性; 1981年巴纳特(JABarnett)把该理论引入专家系统中,同年卡威(JGarvey)等人用它

    2024年02月03日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包