精华内容
下载资源
问答
  • 本文研究乘积季节模型在我国煤矿事故总数预测中的应用,通过对我国2006年1月到2010年12月煤矿事故总数数据来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并估计其参数,建立了合适的乘积季节预测...
  • 基于ARIMA季节乘积模型,提出一种新的矿井涌水量的预测方法,通过普通差分和季节差分保证矿井涌水量时间序列的平稳化,以模型定阶、参数估计和假设检验等过程建立合适的乘积季节模型ARIMA(2,1,1)(1,1,1)12。...
  • ARIMA乘积季节模型及其在月径流预测中的应用,卢艳,,本文研究了应用ARIMA乘积季节模型在月径流预测中的可行性。以1985年1月至2001年12月汀江观音桥站月流量资料建立模型,以2002年的资料作�
  • 本文研究乘积季节模型在我校图书借阅预测中的应用,通过对我校2007年1月到2009年12月的月度图书借阅数据来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并估计其参数,建立了我校图书借阅的乘积...
  • 论文研究-季节预测的组合灰色神经网络模型研究.pdf, 对于季节性时间序列具有增长性和波动性的二重趋势性 ,本文提出了季节预测的组合灰色神经网络模型 ,研究了同时...
  • data = pd.read_excel('时间序列预测数据集.xlsx') # data.columns=[时间,投递人数,投递次数,工程师投递人数,工程师投递次数,招聘发布公司量,发布职位量,工程师岗位发布公司,工程师岗位发布量] for i in dat
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    from statsmodels.tsa.api import ExponentialSmoothing
    
    data = pd.read_excel('时间序列预测数据集.xlsx')
    # data.columns=[时间,投递人数,投递次数,工程师投递人数,工程师投递次数,招聘发布公司量,发布职位量,工程师岗位发布公司,工程师岗位发布量]
    
    for i in data.drop('时间',axis=1).columns:
        y = data[i][:37]
        ets = ExponentialSmoothing(y, trend='add', seasonal='add', seasonal_periods=12)
        r = ets.fit()
        pred = r.predict(start=len(y), end=len(y) + 12)
        data[i][37:] = pred
        pd.DataFrame({
        'origin': data[i],
        'fitted': r.fittedvalues,
        'pred': pred
    }).plot(legend=True)
        plt.title(i)
    data
    

    https://www.cnblogs.com/lfri/p/12243268.html

    展开全文
  • 定性预测、回归预测、时间序列平滑预测、趋势曲线模型预测季节变动预测、马尔科夫预测、确定型决策、非确定型决策、风险型决策、贝叶斯决策、多目标决策等。通过学习,使学生掌握基本预测理论与方法,培养学生根据...
  • 服装零售的季节性离散灰色预测模型
  • 经济管理中的计算机应用例题
  • 季节ARIMA模型在社会消费品零售总额预测中的应用,蒋建,石学军,本文首先简要介绍了ARMA模型季节ARIMA模型,接着利用统计软件EViews,通过分析我国社会消费品零售总额从1997年1月到2010年6月的月度数�
  • 自己编写的在2018版matlab上是没有问题的,过早的版本可能会报错如2014版之前
  • 基于季节ARIMA模型的铁路客运能力需求预测及优化策略研究 ,刘钢,魏迎敏,针对铁路客运资源时空配置不均衡的问题,本文运用面板数据的非线性时间序列分析理论,构建了预测铁路客运能力的三种ARIMA模型,提�
  • 实验 名称 疏系数模型 和季节模型 实验 ... 1、简单季节模型 ... 2、熟练建立季节...模型预测 推荐阅读 使用Python完成时间序列分析基础 SPSS建立时间序列乘法季节模型实战案例 Pyth...

    实验

    名称

    疏系数模型 和季节模型

    实验

    内容

    1、简单季节模型

    实验

    目的

    1、掌握疏系数模型

    2、熟练建立季节模型

     

    目录

    简单季节模型结构

    模型建立

    时序图

    差分平稳化

    白噪声检验

    模型定阶

    参数估计和模型检验

    模型预测


    推荐阅读

    1. 使用Python完成时间序列分析基础
    2. SPSS建立时间序列乘法季节模型实战案例
    3. Python建立时间序列ARIMA模型实战案例

    简单季节模型结构

    模型建立

    时序图

    时序图显示,该序列既包含长期趋势又包含以年为周期的季节效应

     

    差分平稳化

    对原序列做1阶差分消去趋势,再做4步差分消去季节效应的影响,差分后序列时的时序图:

    单位根检验:  

    白噪声检验

    检验结果显示,差分后序列时平稳非白噪声序列,需要对差分后的序列进行进一步拟合ARMA模型。

    模型定阶

          自相关图显示出明显的下滑轨迹,这是典型的拖尾属性。偏自相关图除了1阶和4阶偏自相关系数显著大于2倍标准差。所以尝试拟合ARIMA(4,1,0)*(0,1,0)4

    参数估计和模型检验

     

    x2,x3,P>α,不通过显著性检验

    模型的显著性检验:

    检验结果显示,残差序列为白噪声序列,参数显著性检验显示两个参数均显著非0。

    模型预测

     

    > 到这里就结束了,如果对你有帮助你,欢迎点赞关注,你的点赞对我很重要

     

     

    展开全文
  • 测试序列稳定性:看以看到整体的序列并没有到达稳定性要求,要将时间序列转为平稳序列,有如下几种方法:DeflationbyCPILogarithmic(取对数)FirstDifference(一阶差分)SeasonalDifference(季节差分)...
  • 由于建模是利用Box-Cox变换过后的数据进行的,所以在画图前需要把模型预测的结果转换成对原序列的预测结果。将原序列的真实值和预测值画在同一图中: 将尾部放大来看,红线表示预测值,黑色虚线表示95%的预测区间,...

    数据来自澳大利亚莫纳什大学统计学教授Rob Hyndman创建的时间序列数据库(TSDB),数据库涵盖近800个时间序列数据(经济、水文、气象、农业等);该数据集提供了从1973年到1995年美国新单户住宅的月销售量数据,共包含265条数据信息(1973年1月到1995年1月)

    对原始数据作图,如图1。可以大致判断该数据存在着序列相关性,以及季节性的变动,同时没有缺失值以及明显异常的点。
    图1 原始数据时间序列

    数据初步分析和预处理

    (1)正态性

    时间序列模型的建立和预测通常是在假设数据是正态分布的情况下进行的。通过对序列的观察可以发现,各时间段下数据变化范围所显示的方差随时间变化有较大的不同。做出数据QQ图可以看出,住宅月销量不服从正态分布的,于是进行Box-Cox转换。通过计算lambda = 0.667,最终得到变换后的序列数据: Yt=1λ(Xtλ1)Y_t=\frac{1}{λ}(X_t^λ-1)
    图2 Box-Cox变换 lambda选取比较变换前后的数据序列QQ图以及W检验结果可以看到,相比于原始数据,Box-Cox变换后的数据正态性有较大的改善。
    图3 Box-Cox变换前后QQ图
    Shapiro-Wilk normality test

    data: houses.bc data: houses
    W = 0.99337 W = 0.99104
    p-value = 0.2908 p-value = 0.1053

    同时序列方差也由145.24明显降低为10.52,因此,Box-Cox变换后的数据更适合我们进行建模。变换后的序列如下图。
    在这里插入图片描述

    (2)序列相关性

    做出变换后的序列与其滞后各阶的散点图,可以看出一阶滞后自相关很强,二阶、三阶较弱,之后更高的阶数自相关几乎为0,而到了十二阶,自相关性又变得很强。
    图5 各滞后阶数序列相关性
    做出自相关函数和偏自相关函数图像:
    图6 houses.bc自相关函数
    图7 houses.bc偏自相关函数
    通过绘制转换序列的ACF和PACF图,注意到序列中存在一个周期,因为每隔12个月便出现显著的相关性,意味着季节成分的周期是12,即d=12。

    (3)平稳性

    对变换后的序列进行单位根检验得到:
    Augmented Dickey-Fuller Test
    data: houses.bc
    Dickey-Fuller = -3.7804
    Lag order = 6
    p-value = 0.02045
    由于原假设是存在单位根,即序列非平稳,而p值<0.05,因此变换后的序列具有平稳性。

    模型建立

    模型建立过程按照下面流程图开展。均基于Box-cox变换后的序列。
    图8 建模流程图

    (1)模型识别

    由第三部分自相关函数带有周期性,以及偏自相关函数滞后一阶、二阶、十三阶的值较大,因此可对序列进行季节差分和一阶差分。
    a) 仅进行季节差分的结果如下:
    图9 季节差分序列图
    进行单位根检验,得到该序列为平稳的:
    Augmented Dickey-Fuller Test
    data: diff(houses.bc, lag = 12)
    Dickey-Fuller = -3.2832
    Lag order = 6
    p-value = 0.07447
    alternative hypothesis: stationary
    查看ACF、PCF图:
    图10 季节差分ACF/PACF图
    从ACF图可以看出序列与滞后前1-11项的相关性线性递减,可以判断为AR模型;结合PACF可知,序列具有拖尾特征,一阶显著,12阶显著,36阶、48阶较为显著,季节部分可以判断为AR模型。
    b) 仅进行一阶差分的结果如下:
    图11 一阶差分序列图
    与上述分析步骤相同,通过单位根检验(Dickey-Fuller = -8.8681,p-value<0.01)、ACF/PACF图分析,我们知道:该序列仍存在明显的周期性,但有效地消除了一些趋势,使平稳性得到了极大的改善。
    图12 一阶差分ACF/PACF图
    c) 一阶差分和季节差分得到的序列结果如下:
    图13 一阶差分×季节差分序列图
    通过一阶差分有效消除了趋势分量影响,通过季节差分消除了周期因素影响,该序列稳定(Dickey-Fuller = -7.084 , p-value = 0.01),ACF/PACF如图。从图中可以看到在ACF中显著的只有滞后12阶,在PACF中显著的有滞后12阶、24阶,以及较显著的36阶、48阶(考虑到模型的简洁性,30阶、40阶可忽略不计);具有拖尾的特征。前1-11阶不显著因此常规部分可以看成白噪声,而季节部分可以判为AR模型。
    图14 一阶差分×季节差分ACF/PACF图

    (2)模型定阶

    从模型识别中我们看到仅季节差分后的序列已经适合建模,但由于增加了一阶差分后序列的趋势分量得到了比较大的改善,而模型复杂度也并未增加太多,因此也可以对一阶差分和季节差分后的序列进行建模。
    a) 仅进行季节差分的序列的备选模型
    非季节性部分,ACF线性递减,PACF一阶显著,可以定为AR(1)
    季节部分,PACF 12阶显著,36阶、48阶较为显著,可以定为SAR(1)或SAR(4)
    于是备选模型有:
    ARIMA(1,0,0)×(1,1,0)
    ARIMA(1,0,0)×(4,1,0)
    b) 进行一阶差分和季节差分的序列备选模型
    非季节性部分, ACF中滞后1到11阶均不显著,因此可判断为MA(0)。PACF中各滞后阶数也不显著,因此我们将考虑AR(0);但由于ACF、 PACF在滞后2阶均处于临界状态,在滞后二阶之后相关性下降很快,因此AR的另一个可能的阶数为AR(2)
    周期性方面,ACF在滞后12阶之后不再显著,可以假设模型SMA(1)。PACF在滞后4之后不再显著,并具有拖尾特征,所以可以假设模型SAR(4);由于滞后2阶之后观察到的相关性不像之前的那么大,这意味着它们可能只是来自于噪声,所以也可以考虑模型SAR(2);
    所以备选模型有:
    ARIMA(0,1,0)×(0,1,1)
    ARIMA(0,1,0)×(2,1,0)
    ARIMA(0,1,0)×(2,1,1)
    ARIMA(0,1,0)×(4,1,0)
    ARIMA(0,1,0)×(4,1,1)
    ARIMA(2,1,0)×(0,1,1)
    ARIMA(2,1,0)×(2,1,0)
    ARIMA(2,1,0)×(2,1,1)
    ARIMA(2,1,0)×(4,1,0)
    ARIMA(2,1,0)×(4,1,1)

    (3)参数估计

    通过对以上各模型的参数进行估计,得到下面的结果:

    模型 参数情况 选择
    ARIMA(1,0,0)×(1,1,0) 显著 log likelihood = -443.31, aic = 890.61
    ARIMA(1,0,0)×(4,1,0) 显著 log likelihood = -426.36, aic = 862.71
    ARIMA(0,1,0)×(0,1,1) 显著 log likelihood = -416.91, aic = 835.83
    ARIMA(0,1,0)×(2,1,0) 显著 log likelihood = -437.46, aic = 878.92
    ARIMA(0,1,0)×(2,1,1) 不显著
    ARIMA(0,1,0)×(4,1,0) 显著 log likelihood = -429.77, aic = 867.54
    ARIMA(0,1,0)×(4,1,1) 不显著
    ARIMA(2,1,0)×(0,1,1) 显著 log likelihood = -415.02, aic = 836.04
    ARIMA(2,1,0)×(2,1,0) 显著 log likelihood = -435.26, aic = 878.52
    ARIMA(2,1,0)×(2,1,1) 不显著
    ARIMA(2,1,0)×(4,1,0) 显著 log likelihood = -427.5, aic = 867
    ARIMA(2,1,0)×(4,1,1) 不显著

    根据参数的显著性情况,结合模型的拟合效果和简洁性(对数似然值、AIC值),最终选出2个效果较好的模型,其模型参数如下:

    Model1: ARIMA(0,1,0)×(0,1,1)
    Coefficients:
                  sma1	        
                -1.0000	      
        s.e.     0.0893	
        sigma^2 estimated as 1.382:  
        log likelihood = -416.91,  
        aic = 835.83	
    
    Model2: ARIMA(2,1,0)×(0,1,1)
    Coefficients:
                 ar1      ar2     sma1
             -0.0932   -0.0870   -1.0000
      s.e.    0.0627   0.0626    0.0924
      sigma^2 estimated as 1.362:  
      log likelihood = -415.02,  
      aic = 836.04
    

    (4)模型诊断

    a) 残差分析
    Model 1 :
    在这里插入图片描述

    在这里插入图片描述
    方差齐性:从残差分布图可以看出,残差没有明显趋势,并且几乎所有残差都集中在±3之间,但有一个时间点上的残差超过3接近于4;
    正态性:从QQ图可以看到,残差基本符合正态性假设,但尾部有一点较为异常;进行W检验,得到W = 0.99488, p-value = 0.5623,因此可以认为符合正态性假设;
    独立性:从ACF图可以看到,在滞后20和28项存在较为显著的相关性;进行游程检验p=0.398,经过Ljung-Box检验p=0.2289,因此在整体上可以认为符合独立性假设。
    Model 2:
    残差分析图与模型1的结果十分类似不再呈现。于是,与模型1一样,均存在一个异常值点,均能通过W检验、游程检验、Ljung-Box检验,因此符合方差齐性、正态性、独立性假设。
    b) 处理异常值
    对于残差分析中发现的一个异常值,我们通过软件命令找到,发现它是一个新息异常值,位于第159位(即1986年3月);于是我们通过对异常值点单独进行回归拟合再加入模型中来消除影响。得到模型3、模型4;模型估计如下:

    模型3: 加入IO的ARIMA(0,1,0)×(0,1,1)
     Coefficients:
               sma1      IO
             -1.0000   2.8264
       s.e.   0.0797   0.8321
       sigma^2 estimated as 1.322:
       log likelihood = -411.27, 
       aic = 826.55
       
    模型4:加入IO的ARIMA(2,1,0)×(0,1,1)
     Coefficients:
          		ar1        ar2       sma1      IO
    		  -0.0858   -0.0964   -1.0000   2.9400
       s.e.   0.0628    0.0626     0.0837   0.8623
       sigma^2 estimated as 1.301:
       log likelihood = -409.32,
       aic = 826.65
    

    可以看出与模型1、2相比,对数似然均有所增加,AIC也变小了。
    依然进行同样的残差诊断,可以发现:方差齐性、独立性、正态性检验均通过;
    进一步检验异常值,此时既没有可加异常值也没有新息异常值。

    (5)过拟合

    对于模型3的所有尝试得到的过拟合模型,一部分模型并没有有效降低AIC,还有一部分模型降低了AIC但估计的参数值不显著。
    对模型4进行过拟合最终获得了表现更好的几个模型;模型ARIMA(2,1,1)×(0,1,1)、模型ARIMA(2,1,2)×(0,1,1)等,比较AIC可以得到ARIMA(2,1,2)×(0,1,1)是最优的,AIC为821.33,对数似然值为-404.67。所以确定这一模型作为最终拟合模型。
    模型参数估计如下,记为模型5:
    Coefficients:
    ar1 ar2 ma1 ma2 sma1 IO
    1.7844 -0.9279 -1.8773 1.0000 -1.0000 2.6435
    s.e. 0.0250 0.0262 0.0274 0.0289 0.0641 0.8405
    sigma^2 estimated as 1.238:log likelihood = -404.67, aic = 821.33
    进行最后的残差检验:
    图16 模型5残差序列图
    图17 模型5残差QQ图和ACF图
    根据上面3个图,可以看出:

    1. 残差没有明显趋势,并且所有残差都集中在±3之间,符合方差齐性。
    2. 残差均分布在QQline附近,基本符合正态性假设;进行W检验,得到W = 0.99534, p-value = 0.6463,因此可以认为符合正态性假设。
    3. ACF图中所有滞后项的相关性均不显著,可以认为残差是白噪声;进行游程检验p= 0.136,经过Ljung-Box检验p= 0.4514,因此可以认为符合独立性假设。
      于是,模型5 调整异常值的ARIMA(2,1,2)×(0,1,1)模型通过了所有残差检验。

    结果预测

    利用第四部分选出的模型5即调整异常值的ARIMA(2,1,2)×(0,1,1)模型,进行预测。由于建模是利用Box-Cox变换过后的数据进行的,所以在画图前需要把模型预测的结果转换成对原序列的预测结果。将原序列的真实值和预测值画在同一图中:
    在这里插入图片描述
    将尾部放大来看,红线表示预测值,黑色虚线表示95%的预测区间,圆圈表示真实值,可以看到,所有的真实值均落在预测值的95%置信区间内,可见这一模型有较高的可信度。
    在这里插入图片描述

    总结

    为预测美国新单户住宅的销售量,基于1973年到1995年的月销售量数据建立了乘法季节模型。由于数据集平稳较差,首先采用了Box-Cox变换;转换后的数据显示了一定的趋势和季节性成分,因此进行了季节性的差分、选择性进行了一阶差分。在这之后,通过检查ACF和PACF,根据AIC指标确定了两个候选模型。对于每个模型,进行残差诊断,并去除异常值。继而经过过拟合得到了效果最好的模型:
    ARIMA(2,1,2)X(0,1,1)
    Coefficients:
    ar1 ar2 ma1 ma2 sma1 IO
    1.7844 -0.9279 -1.8773 1.0000 -1.0000 2.6435
    s.e. 0.0250 0.0262 0.0274 0.0289 0.0641 0.8405
    sigma^2 estimated as 1.238:log likelihood = -404.67, aic = 821.33
    这一模型的系数显著不为0,有最低的AIC,并且通过了所有的残差诊断,残差为白噪声序列。同时我们看到,它成功地预测了序列的未来数值,真实值在预测值的95%置信区间内。
    因此,通过这一模型我们便可以基于过去数据,较为准确地预测未来美国新单户住宅的销量,为各方决策提供参考;进一步根据供求关系,可以帮助我们来判断最佳的购买时期。

    展开全文
  • 基于季节调整的ARIMA模型与BP神经网络的电力负荷组合预测,马开良,胡建明,电力负荷预测一直是电力系统计划和运行的重要工具,通过预测,电力系统得以合理的调度电力以满足系统电力需求。所用的负荷预测
  • ARIMA季节乘积模型在肠道传染病预测中的应用_张翼飞.caj )
  • 使用Python中的Logistic回归模型预测NBA比赛 模型 该模型使用从stats.nba.com刮取的八个因素来确定NBA游戏的预测结果。 每个统计数据都调整为每100个回合,以确保速度不会影响预测。 主队 胜率 篮板 营业额 正负 ...
  • GM11残差修正的季节性神经网络预测模型及其应用,还不错
  • 在过去的几十年里,电视的季节越来越短。 对于新的戏剧性电视连续剧来说尤其如此,该电视连续剧的标准已从二十年前的两倍增加到了十三集。 令人惊讶的是,缺乏关于这个问题的实证研究。 在这项研究中,我们以文化...
  • 论文研究-基于季节SVR-PSO的旅游客流量...来自国内著名5A级风景区黄山2008-2011年最新月客流量数据仿真结果显示,SSVR-PSO模型预测精度明显高于SVR-PSO、SVR-GA、BPNN、ARIMA等方法,是进行旅游客流量预测的有效工具.
  • ARIMA乘积季节模型理论及其在煤炭出口量,周丽莉,,本文研究ARIMA乘积季节模型及其在煤炭出口量预测中的应用。运用SPSS软件中时间序列模块中的建模方法建立了我国煤炭出口模型。文章首
  • 旅游客流量具有明显的非线性和季节性特征,所以采取季节调整方法对样本数据进行预处理,...结果显示:季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型,该模型是进行旅游客流量预测的有效工具。
  • 灰色预测模型是灰色系统理论中重要的组成部分,邓聚龙教授使用控制理论思想构建了灰色控制模型,完成了灰色预测理论的开篇之作。经过几十年的发展,现在的灰色理论成功在工业、社会、科学、交通、能源等方面得到广泛...

    灰色预测模型是灰色系统理论中重要的组成部分,邓聚龙教授使用控制理论思想构建了灰色控制模型,完成了灰色预测理论的开篇之作。经过几十年的发展,现在的灰色理论成功在工业、社会、科学、交通、能源等方面得到广泛的应用,成功的解决了科学研究、生产、生活中的大量实际问题,灰色预测也由原来最初的数列预测延伸为区间预测、波动预测、灾变预测、季节灾变预测等多种类型。此次我们将采用灰色预测中的GM(1,1)模型对北京二手房房价进行预测。

    GM(1,1)模型的基本形式:

    a34566930a5ff13eee35ae32b9274d41.png

    一、数据的检验及处理

    为了保证GM(1,1)建模方法的可行性,需要对北京房价数据做必要的处理。设原始序列为X(0)=(x(0)(1),x(0)(2),…,x(0)(n)),计算数列的级比,如果所有的级比都落在可容覆盖区间X=(e-2/(n+1),e2/(n+1))内,则数列X(0)可以建立GM(1,1)模型而且可以进行灰色预测。否则,对数列做适当的变化处理,如平移变换:

    y(0)= x(0)(k)+c    ,k=1,2,…,n

    取常数c的目的在于使数据级比都落在可容覆盖内。

      1)求原始房价的级比如表所示:

    表1 房价的级比检验值

    变量

    λ(2)

    λ(3)

    λ(4)

    λ(5)

    λ(6)

    λ(7)

    λ值

    0.7759

    0.8484

    0.6768

    0.8359

    0.9159

    0.5655

    λ(8)

    λ(9)

    λ(10)

    λ(11)

    λ(12)

    λ(13)

    0.8945

    0.9727

    0.7163

    0.9692

    0.9859

    0.8303

    根据变量个数为13个,所以可容覆盖区间为[0.8744,0.9944],由表可知存在λ(k)不属于可容覆盖区间,所以无法建立GM(1,1)模型进行灰色预测,所以需要添加常数进行平移变换。

    2)引入常数60000,再次进行级比检验

    表2 引入常数的级比检验值

    变量

    λ(2)

    λ(3)

    λ(4)

    λ(5)

    λ(6)

    λ(7)

    λ值

    0.9802

    0.9845

    0.9534

    0.9725

    0.9848

    0.8784

    λ(8)

    λ(9)

    λ(10)

    λ(11)

    λ(12)

    λ(13)

    0.9681

    0.9916

    0.891

    0.988

    0.9944

    0.9253

    根据变量个数为13个,所以同样的可容覆盖区间为[0.8744,0.9944],由表可知所有的λ(k)都属于可容覆盖区间,级比检验通过,可以建立GM(1,1)模型进行灰色预测。

    二、GM(1,1)模型的建立

    1)对原始序列X(0)作一次累加,得到:

    X(1)=(64500 128512.6 195588.8 265875.1 339525.3 416700.2 497568.6 582307.2 671101.3 764145 861641.6 903804.3 1070856.3)

    2)构建数据矩阵B和数据向量Y

    通过程序运行我们得出数据矩阵B和数据向量Y。

    3)计算发展系数-a和灰色作用量b

    通过计算得:a=-0.0467,b=59512.7。

    发展系数-a反映了X(1)及X(0)的发展态势。发展系数越大模型也越大,当发展系数小于或者等于0.3时,模型的精度可以达到98%以上。通过数据我们可以知道-a等于0.0467,小于0.3,所以得出的发展系数非常的好,并且适合中长期预测。

    4)建立模型并预测

    e974dcdc3b60b8c7e0ddc765d8c6cf5d.png

    三、模型检验

    模型的检验包括相对残差检验和级比偏差检验,由图可知模型相对残差检验和级比检验都通过,模型建立合理。

    edc7961b85e635712c885d7792cabe90.png

    附完整Matlab程序:

    %%

    clear;clc;

    %%级比检验 

    Xi=[64500 65800 66836 70100 72083 73192 83327 86077 86809 97425 98613 99164 107168];

    pre_num=2;

    n=length(Xi);

    Xle=exp(-2/(n+1));

    Xre=exp(2/(n+1));

    lambda=Xi(1:end-1)./Xi(2:end);

    range=minmax(lambda);

    if range(2)Xle

        disp('所有的级比都落在可容覆盖区间,可以建立GM模型')

    else

        disp('没有通过级比检验')

    end

    %%GM(1,1)模型建立

    X1=cumsum(Xi);

    n=length(Xi);

    Z1=(X1(1:n-1)+X1(2:n))/2;

    Y=Xi(2:n)';

    B=[-Z1',ones(n-1,1)];

    A=(B'*B)\B'*Y;

    U=B\Y;

    a=U(1);

    b=U(2);

    K=1:n;

    X1=(Xi(1)-A(2)/A(1))*exp(-A(1)*(K-1))+A(2)/A(1);

    X_P=[Xi(1),diff(X1)];

    Xpre=[Xi(1) ones(1,n-1+pre_num)];

    for k=1:n-1+pre_num

        Xpre(k+1)=(Xi(1)-b/a)*(exp(-a*k)-exp(-a*(k-1)));

    end 

    %%模型检验

    Delta=abs(X_P-Xi);

    phi=Delta./Xi;

    if max(phi)>=0.2

        disp('相对残差检验未通过')

    else

        disp('相对残差检验通过')

    end

    mean(phi);

    rho=1-(1-0.5*A(1))/(1+0.5*A(1))*lambda;

    if max(rho)>=0.2

        disp('级比偏差检验未通过')

    else

        disp('级比偏差检验通过')

    end

    t1=2004:2016;

    t2=2004:2016+pre_num;

    plot(t1,Xi,'o',t2,Xpre,'r','LineWidth',2)

    展开全文
  • ARIMA模型全称是自回归移动平均模型(Autoregressive Integrated Moving Average Model),它是处理带有趋势、季节因素平稳随机项数据的模型。ARIMA的一般模型为ARIMA(p,d.q),称为差分自回归移动平均模型,AR是自回归...
  • 灰色预测GM(1,1)模型的原理 灰色系统 GM(1,1)模型 : grey model 一阶微分,一个变量。 通过累加生成削弱随机性的较有规律的新的离散数据列。 GM(1,1)原理 详细参考PPT 准指数规律的检验 发展系数与预测 ...
  • 数学建模--时间序列分析、模型预测

    千次阅读 2020-07-18 12:14:15
    时期序列适用于灰色预测模型 时间序列分解 长期变动趋势 T 季节趋势 S 第2部分_SPSS中七种指数平滑方法的简单介绍 第3部分_与ARIMA模型相关的十大知识点(了解即可) 第4部分_实例1销量数据预测和实例2人口数据...
  • 指数平滑模型是基于对数据趋势和季节性的描述,而ARIMA模型则是为了描述数据的自相关性。 在讨论ARIMA模型之前,我们先来讨论平稳性的概念和时间序列的差分技术。 平稳性 平稳时间序列数据的性质不依赖于时间,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 410
精华内容 164
关键字:

季节模型预测