精华内容
下载资源
问答
  • 论文研究-季节性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 ,本文提出了季节性预测的组合灰色神经网络模型 ,研究了同时...
  • 该工具箱包括各种具有可视化支持的探索,描述和诊断统计工具,这些工具以易于使用的图形用户界面设计。 它还结合了复杂的自动程序来进行识别,精确的最大似然估计和离群值检测,可用于文献中提供的许多类型的...
  • 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
  • 希望我整理的内容对路过的你有所帮助,点赞或评论,都是相互的鼓励~ 【问题】根据下图中某啤酒生产企业2010-2015年各季度的销售量数据,预测2016年各季度产量 ...可以认定啤酒销售量序列是一个含有季节性成分和趋...

    希望我整理的内容对路过的你有所帮助,点赞或评论,都是相互的鼓励~

     

    【问题】根据下图中某啤酒生产企业2010-2015年各季度的销售量数据,预测2016年各季度产量

    1. 绘制时间序列图,观察啤酒销售量的构成要素

     从上图可以明显看出,啤酒销售量具有明显季节成分,而且后面年份销量比前面年份高,因此其中含有趋势成分,但其周期性难以判断。可以认定啤酒销售量序列是一个含有季节性成分和趋势成分的时间序列。

    2. 确定季节成分,计算季节指数

    2.1 计算移动平均值

    -- 对于季节数据,从2010年1季度开始,每4个季度计算4项移动平均,如:

    年份/季度 4项移动平均计算 4项移动平均值

    4项移动平均

       对应季度

    2010/1, 2010/2,2010/3, 2010/4 (25.0+32.0+37.0+26.0) / 4 30.00 2.50
    2010/2,2010/3, 2010/4, 2011/1 (32.0+37.0+26.0+30.0) / 4 31.25 3.50
    2010/3, 2010/4, 2011/1, 2011/2 (37.0+26.0+30.0+38.0) / 4 32.75 4.50

    这里出现的问题是,计算出的4项移动平均,没有对应着具体的某个季度,而是在季度之间!

    为了解决这个问题,需要进行中心化处理。

    -- 对计算结果进行中心化处理,也就是再进行一次二项移动平均,得出中心化移动平均值CMA。

    这样处理之后,移动平均值便对应具体季度。思路如下(给我自己做的图点赞❤):

    按照上述思路,计算出的中心化移动平均值CMA情况如下:

    年份 时间代码 销售量 4项移动平均 中心化移动平均值
    CMA
    2010/1 1 25.0    
      1.5      
    2 2 32.0    
      2.5   30.000  
    3 3 37.0   30.625
      3.5   31.250  
    4 4 26.0   32.000
      4.5   32.750  
    2011/1 5 30.0   33.375
      5.5   34.000  
    2 6 38.0   34.500
      6.5   35.000  
    3 7 42.0   34.875
      7.5   34.750  
    4 8 30.0   34.875
      8.5   35.000  
    2012/1 9 29.0   36.000
      9.5   37.000  
    2 10 39.0   37.625
      10.5   38.250  
    3 11 50.0   38.375
      11.5   38.500  
    4 12 35.0   38.500
      12.5   38.500  
    2013/1 13 30.0   38.625
      13.5   38.750  
    2 14 39.0   39
      14.5   39.250  
    3 15 51.0   39.125
      15.5   39.000  
    4 16 37.0   39.375
      16.5   39.750  
    2014/1 17 29.0   40.250
      17.5   40.750  
    2 18 42.0   40.875
      18.5   41.000  
    3 19 55.0   41.250
      19.5   41.500  
    4 20 38.0   41.625
      20.5   41.750  
    2015/1 21 31.0   41.625
      21.5   41.500  
    2 22 43.0   41.875
      22.5   42.250  
    3 23 54.0    
      23.5      
    4 24 41.0    

    2.2 计算季节比率

    销售量 同 中心化移动平均值CMA 的比值 = 季节比率

    在乘法模型中,季节指数是以其平均数等于100%为条件而构成的,它反映了某一季度的数值占全年平均数值的大小。

    这里,我们计算出的四个季节比率的平均数为0.9963,不等于1,需进行调整。

    2.3 季节指数调整

    将每个季节比率的平均值除以四个季节比率的总平均值,得到季节指数

    从季节指数变动图可以看出,啤酒销售量的旺季是3季度,淡季是1季度。

    3. 分离季节成分

    将实际销售量分别除以相应的季节指数,将季节成分从时间序列中分离出去,得到分离季节成分的序列。

    4. 建立预测模型

    剔除季节成分后,可以观察到啤酒销量有明显的线性增长趋势。用一元线性模型进行回归分析,得到分离季节因素后的序列对应的线性趋势方程为:\widehat{Y_{t}} = 30.6067 + 0.5592 * t

    5. 预测2016年度销量

    根据趋势方程,带入t=25,可以求得2016年1季度销售量(不含季节因素),再乘以对应的季度指数,就可以求得最终的销售量预测值。

    将实际销售量和最终预测值进行做图比对,可以看出,预测效果非常好。

     

    展开全文
  • Holt-Winters-季节性预测算法

    万次阅读 2017-08-17 15:57:11
    参考 Holt-Winters seasonal method Holt Winter 指数平滑模型
    展开全文
  • 概念:对过去的观察值得加权平均值进行预测的一种方法,适用于水平历史数据 一次指数平滑法:Ft+1 =aYt+(1-a)Ft Ft表示t时预测值,Yt表示t时观察值。t取1时,F1=Y1。a为平滑系数,介于0到1之间。 最终的式子展开为 ...

    指数平滑法

    概念:对过去的观察值得加权平均值进行预测的一种方法,适用于水平历史数据

    一次指数平滑法:Ft+1 =aYt+(1-a)Ft

    Ft表示t时预测值,Yt表示t时观察值。t取1时,F1=Y1。a为平滑系数,介于0到1之间。

    最终的式子展开为

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XhE6Rwlp-1623998906940)(C:\Users\lizhihan_sx\AppData\Roaming\Typora\typora-user-images\image-20210617172220632.png)]

    平滑系数接近1:越近的值影响越大,模型对时间序列的反应越及时,适合随机波动较大的数列

    平滑系数接近0:更适合时间序列比较平稳的序列

    实际应用时,应该用均方误差来判断预测误差的大小。但是如果数据是有整体趋势的,指数平滑法并不适用(因为无论如何调整参数都是误差极大的)

    二次指数平滑Holt’s linear trend method

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0onbHqnd-1623998906943)(C:\Users\lizhihan_sx\AppData\Roaming\Typora\typora-user-images\image-20210617170536686.png)]

    lt表示时间序列水平的估计,bt表示时间序列趋势的估计。

    a和b都表示参数,a和一次指数平滑

    二次指数平滑的结果是可以有趋势的,不是平坦的

    这种预测方法

    在未来无限地呈现出恒定的趋势(增加或减少)。经验证据表明,这些方法倾向于过度预测,特别是长期预测

    damped trend method 衰减趋势法

    引入一个参数可以很好的解决二次平滑法长期预测过度预测的问题

    在这里插入图片描述

    Holt-Winters’ seasonal method

    Holt-Winters的季节性方法包括预测方程和三个平滑方程–一个是水平ℓt,一个是趋势bt,一个是季节性成分st,有相应的平滑参数α、β和γ。我们用m来表示季节性的频率,即一年中的季节数。例如,对于季度数据m=4,而对于月度数据 m = 12 .

    当季节性变化在整个系列中大致不变时,加法是首选,而当季节性变化与系列的水平成比例变化时,乘法是首选。在加法中,季节性成分在观察到的系列规模中以绝对值表示,而在水平方程中,系列通过减去季节性成分而进行季节性调整。在每一年内,季节性成分加起来大约为零。在乘法中,季节性成分是以相对术语(百分比)表示的,系列的季节性调整是通过除以季节性成分来进行的。在每一年内,季节性成分的总和将达到大约 m

    Holt-Winters’ additive method

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bgFfHqmz-1623998906949)(指数平滑法笔记.assets/image-20210618100854263.png)]

    式中k为(h−1)/m的整数部分,保证用于预测的季节指数估计数来自样本的最后一年。水平方程表示时间t的季节调整观测(yt−st−m)与非季节预报(ℓt−1+bt−1)之间的加权平均。趋势方程与Holt的线性方法相同。季节方程表示当前季节指数(yt−ℓt−1−bt−1)与去年同期(即m个时期以前)的季节指数的加权平均值。
    在这里插入图片描述

    Holt-Winters’ multiplicative method在这里插入图片描述

    展开全文
  • 时间序列预测,非季节性ARIMA及季节性SARIMA

    万次阅读 多人点赞 2019-03-24 21:55:00
    我们将首先介绍和讨论自相关,平稳性和季节性的概念,并继续应用最常用的时间序列预测方法之一,称为ARIMA。 介绍 时间序列提供了预测未来价值的机会。基于以前的价值观,可以使用时间序列来预测经济,天气和...
  • 服装零售的季节性离散灰色预测模型
  • 季节性时间序列建模与预测 ,孟玲清,王晓雨,所谓所谓时间序列,就是各种社会、经济、自然现象的数量指标按照时间次序排列起来的统计数据,其有多种构成因素,每种因素对系统
  • 一种人工智能在季节性负荷预测中的应用方法.pdf
  • 季节性ARIMA:时间序列预测

    万次阅读 2019-02-17 15:22:36
    SARIMAX (seasonal autoregressive integrated moving average with exogenous regressor)是一种常见的时间序列预测方法,可以分为趋势部分和周期部分;每个部分又可以分为自回归、差分和平滑部分。 趋势稳定...
  • DeflationbyCPILogarithmic(取对数)FirstDifference(一阶差分)SeasonalDifference(季节差分)SeasonalAdjustment这里会尝试取对数、一阶查分、季节差分三种方法,先进行一阶差分,去除增长趋势后检测稳定:...
  • 流感 关于预测H1N1和季节性流感疫苗的DrivenData.org竞赛
  • 利用塔里木盆地南缘和田绿洲4眼观测井的2001年-2004年逐月实测平均地下水位埋深资料,基于帕森斯季节性指数理论,分别建立了季节性地下水位埋深动态变化预测模型,并进行了趋势预测检验.结果表明:各观测井地下水位...
  • 这项研究检查了土著知识(IK)方法在预测季节性降雨变化中的应用。 该研究使用了通过结构化问卷通过个人访谈收集的数据。 该研究发现了植被变化(即遮荫,过度分支); 动物行为的变化(即吃土,躁动)和其他大气...
  • 在这项研究中,提出了使用多模型超感知方案在非洲不同地区的季节性气候预测中可以实现的改进。 所使用的合成超级合奏(SSE)遵循佛罗里达州立大学(FSU)最初开发的方法。 该技术在全球许多中心(包括WMO全球生产...
  • AirBnB定价预测:哈佛项目-通过添加季节性溢价定价来提高准确性
  • 季节性自回归综合移动平均(SARIMA)或季节性ARIMA是ARIMA的一个扩展,它明确支持具有季节性分量的单变量时间序列数据,它增加了三个新的超参数来指定序列季节性成分的自回归(AR)、差分(I)和移动平均(MA),...
  • GM11残差修正的季节性神经网络预测模型及其应用,还不错

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,969
精华内容 3,187
关键字:

季节性预测