null7.3 时序分析预测法7.3 时序分析预测法7.3.1 时间序列的概念7.3.1 时间序列的概念一、什么是时间序列
二、时间序列的特征
三、时间序列特征的识别
7.3.1 时间序列的概念7.3.1 时间序列的概念时间序列:系统中某一变量或指标的数值或统计观测值,按时间顺序排列成一个数值序列,就称为时间序列(Time Series) ,又称动态数据。军事:导弹飞行轨道坐标测定值
政治:政府首脑支持率
经济:股票价格、地区蔬菜价格7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)时间序列(time series) :--别的教材
1、同一现象在不同时间上的相继观察值排列而成的数列;
2、前后时刻的数据一般具有某种程度的相关性;
3、形式上由现象所属的时间和现象在不同时间上的观察值两部分组成;
4、排列的时间可以是年份、季度、月份或其他任何时间形式。7.3.1 时间序列的概念7.3.1 时间序列的概念某市六年来汽车货运量(亿吨公里)7.3.1 时间序列的概念7.3.1 时间序列的概念 系统预测中讨论的时间序列,一般是某随机过程的一个样本。通过对其分析研究,找出动态过程的特性、最佳的数学模型、估计模型参数,并检验利用数学模型进行统计预测的精度,是时间序列分析的
。某市六年来汽车货运量(亿吨公里)7.3.1 时间序列的概念7.3.1 时间序列的概念某市六年来汽车货运量7.3.1 时间序列的概念7.3.1 时间序列的概念时间序列的分类7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)时间序列的分类:
1、平稳序列(stationary series)
基本上不存在趋势的序列,各观察值基本上在某个固定的水平上波动
或虽有波动,但并不存在某种规律,而其波动可以看成是随机的
2、非平稳序列 (non-stationary series)
有趋势的序列(线性的,非线性的 )
有趋势、季节性和周期性的复合型序列7.3.1 时间序列的概念7.3.1 时间序列的概念时间序列的成分7.3.1 时间序列的概念7.3.1 时间序列的概念 时间序列特征:
趋势性T:总体上持续上升或下降的总变化趋势,其间的变动幅度可能有时不等。
季节性S:以一年为周期,四个季节呈某种周期性,各季节出现波峰和波谷的规律类似。
周期性C:决定于系统内部因素的周期性变化规律,又分短周期、中周期、长周期等几种。
不规则性I:包括突然性和随机性变动两种。 任一时间序列可
示为几种变动的不同组合的总结果,且可表示为:
加法模型:Y=T+S+C+I
乘法模型:Y=T·S·C·I7.3.1 时间序列的概念7.3.1 时间序列的概念某市六年来汽车货运量时间序列分解—— 趋势项—— 周期项—— 随机项7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)含有不同成分的时间序列7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)时间序列的分解模型:
1、乘法模型
Yi=Ti×Si×Ci×Ii
2、加法模型
Yi=Ti+Si+Ci+Ii7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)时间序列的图形描述7.3.1 时间序列的概念(time series)7.3.1 时间序列的概念(time series)时间序列的图形描述7.3.1 时间序列的概念时间序列特征的识别
设时间序列x1,x2,…,xn,K个自相关系数:
其中7.3.1 时间序列的概念7.3.1 时间序列的概念(1) 时间序列的随机性识别
自相关系数法:如所有自相关系数都近似为零,表明该时间序列完全由随机数组成。
若计算较多(>20)的自相关系数,rk,k=1,2,…,20,当
则有95%的置信度认为所有rk与零无显著差异,因而认为该时间序列具有随机性特征。7.3.1 时间序列的概念7.3.1 时间序列的概念(1) 时间序列的随机性识别
Box和Pierce方法:计算m个自相关系数r1, r2, …, rm(m≥6, n>4m) ,构造统计量Q为
则当 时, 诸rk (k = 1,2,…, m)与零无显著差异,时间序列有随机性,否则为非随机性。7.3.1 时间序列的概念7.3.1 时间序列的概念7.3.1 时间序列的概念例:7.3.1 时间序列的概念7.3.1 时间序列的概念(2) 时间序列的平稳性识别
随机过程的数学期望和方差取常数
相关函数仅与时间间隔有关,与时间起点无关7.3.1 时间序列的概念7.3.1 时间序列的概念(3) 时间序列的趋势性识别
单调趋势的识别:计数方法
设时间序列x1,x2,…,xn,每出现一次xj>xi(j>i),定义为xi的一个逆序。xi的逆序数为xi的出现逆序的总数。于是,时间序列的逆序总数为
于是,统计量
近似成立。其中7.3.1 时间序列的概念7.3.1 时间序列的概念(3) 时间序列的趋势性识别
如果 ,则可认为“序列无趋势”,否则认为有趋势(0.05的显著水平上)。
有趋势的条件下:
如A很大,表明时间序列有上升趋势;
如A很小,表明时间序列有下降趋势。
复杂趋势的识别:数据分成若干段,分段用上法识别7.3.1 时间序列的概念7.3.1 时间序列的概念(4) 时间序列的周期性识别
基于自相关函数,峰、谷处
时间序列分析预测方法时间序列分析预测方法 是根据时序变动的方向和程度进行的外延和类推,用以预测下一时期或以后若干时期可能达到的水平。
平滑预测法
包括移动平均法和指数平滑法两种,其具体是把时间序列作为随机变量,运用算术平均和加权平均的方法做未来趋势的预测。这样得到的趋势线比实际数据点的连线要平滑一些,故称平滑预测法。
趋势外推预测法
根据预测对象历史发展的统计资料,拟合成预先指定的某种时间函数,并用它来描述预测目标的发展趋势。7.3.2 平滑预测法——移动平均法7.3.2 平滑预测法——移动平均法(1)移动平均法
设时序为x1,x2,……,xn,对其中连续N (n)个数据点进行算术平均,得t 时点的移动平均值,记为Mt,有
当用移动平均法进行超前一个周期预测时,采用移动平均值作为预测值 ,则有
7.3.2 平滑预测法——移动平均法7.3.2 平滑预测法——移动平均法 [例1] 现有某商场1——6月份的销售额资料如下表所
示,试用N=5来进行移动平均,并预测7月和8月的销售额。 月份 1 2 3 4 5 6销售额(万元) 33 34 35 37 38 407.3.2 平滑预测法——移动平均法7.3.2 平滑预测法——移动平均法 移动平均法方法简单,但它一般只对发展变化比较平坦,增长趋势不明显,并且与以往远时期的状况联系不多的时序有效。移动平均法—别的教材移动平均法—别的教材特点:
1、将每个观察值都给予相同的权数 ;
2、只使用最近期的数据,在每次计算移动平均值时,移动的间隔都为k;
3、主要适合对较为平稳的序列进行预测;
4、对于同一个时间序列,采用不同的移动步长预测的准确性是不同的。
选择移动步长时,可通过试验的
,选择一个使均方误差达到最小的移动步长。特点简单移动平均法简单移动平均法例题分析7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法(2)指数平滑法只能预测一期,不能预测多期。取7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法二次指数平滑法7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法三次指数平滑预测公式7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法平滑系数的物理意义:
既描述对过程变化的反应速度: 越大(接近1),表示重视近期数据的作用,对过程变化反应越快;
又描述预测系统对随机误差的修匀能力:越小(接近0),表示重视离现时更远的历史数据的作用,修匀(滤波)能力越强,但对过程变化的反映越迟钝。7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法平滑系数的选择:
如对初始值有疑问,准确性差,宜取较大值,以体现近期数据作用,降低初值影响;
如外部环境变化较快,则数据可能变化较大,值宜取大一些,以跟踪过程变化(如取0.3~0.5);
如原始资料较缺乏,或历史资料的参考价值小, 值宜取大一些;
如时序虽然具有不规则变动,但长期趋势较稳定 (如接近某一稳定常数)或变化甚小,值应较小(0.05~0.2);
对变化甚小的时序, 值宜取小,使较早观察值亦能反映在平滑值中。7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法 值的最后确定,一般是选择不同的,通过对预测结果的
来实现的。即对每一个,用离现时较远的历史数据建立预测模型,去“预测”离现时较近的历史数据(事后预测),看符合程度如何?从中选取一个符合得好的。
根据经验,一般取=0.01—0.37.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法初始值S0(1)确定:
(1)当时序原始数据样本较多, 值较大时,可取S0(1)=x1,S0(2)= S0(1), S0(3)= S0(2)。
(2)当数据点不够多,初始值对预测精度影响较大时,可取开始几个观测值的算术平均值作为S0(1)。7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法 [例2] 已知某城市公共交通过去20日的实际客运量的
统计数据如下表所示,当取=0.3时,试计算一次、二次指
数平滑值,并预测今后第10日时的客运量。7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法周期数 客运量xt St(1) St(2)
t(日) (万人次) (=0.3) (=0.3)0
1
2
3
4
5
...
17
18
19
20-
50
52
47
51
59
…
69
76
75
8050
50
50.6
49.52
49.96
49.67
…
64.23
67.76
69.93
72.9550
50
50.18
49.98
49.98
49.88
…
59.28
61.79
64.23
66.857.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法解:7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法滞后偏差数据点连线一
次
平
滑二次平滑102020406080Xt(万人次)t(日)7.3.2 平滑预测法——指数平滑法7.3.2 平滑预测法——指数平滑法 假定目前处在周期20,对周期30进行预测课堂练习课堂练习某企业某产品历年销售量如表,用二次指数平滑( )法预测2009年3月、8月和12月的销售量(计算取两位小数)。nullnull课堂练习课堂练习答案:
2009年3月: 183.81万吨
2009年8月: 198.21万吨
2009年12月:209.73万吨7.3.3 趋势外推预测法7.3.3 趋势外推预测法1、趋势(trend)
持续向上或持续下降的状态或规律
2、有线性趋势和非线性趋势
3、方法主要有
线性趋势预测
非线性趋势预测
自回归模型预测线性趋势预测线性趋势预测线性趋势(linear trend)线性趋势(linear trend)1、现象随着时间的推移而呈现出稳定增长或下降的线性变化规律。
2、由影响时间序列的基本因素作用形成。
3、时间序列的成分之一。
4、预测方法:线性模型法7.3.3 趋势外推预测法两点假设:
预测对象的发展趋势不变;
预测对象的发展过程是渐变,而不是突变。
两个问题:
找到合适的趋势拟合直线方程
确定趋势曲线方程中的参数7.3.3 趋势外推预测法7.3.3 趋势外推预测法1、常用趋势曲线
(1)多项式函数
7.3.3 趋势外推预测法7.3.3 趋势外推预测法1、常用趋势曲线
(2)指数函数
例如:
人口或生物种群繁殖生长
质变前的发展速度
新产品成长期的销量7.3.3 趋势外推预测法7.3.3 趋势外推预测法(3)生长曲线(S形曲线)
Logistic曲线(皮尔曲线)拐点:7.3.3 趋势外推预测法极限:
t,ytK7.3.3 趋势外推预测法(3)生长曲线(S形曲线)
龚伯茨(Gompartz)曲线拐点:7.3.3 趋势外推预测法极限:
t,ytK7.3.3 趋势外推预测法(4)其它曲线7.3.3 趋势外推预测法7.3.3 趋势外推预测法2、趋势预测模型的选择
研究五个问题:
(1)时间特征
(2)极值特征
(3)曲线形状
(4)发展阶段
(5)发展速度7.3.3 趋势外推预测法7.3.3 趋势外推预测法——参数识别的最小二乘法3、模型参数的识别
(1)最小二乘法
时间序列样本数据
(t1,y1),(t2,y2),…,(tn,yn)
若选定趋势曲线为:
则拟合目标是使误差的平方和最小,即:7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法令则据 及
可以求得使Q最小的B为:7.3.3 趋势外推预测法——参数识别的最小二乘法 有标量函数对向量的求导法则 有标量函数对向量的求导法则 设α,β为同维列向量,B是适当维数的矩阵,则:
7.3.3 趋势外推预测法——参数识别的最小二乘法 对一般 的情况,可将式趋势线模型
分别乘以t、t2乃至t3 ,再对n个样本点求和,就可分别得到联立方程组(教材P125)。7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法此法用于手工计算时,可用简化的方法取t,即取中间时刻 t = 0,则方程中奇数项均可约去。7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法例[3]:某省谷物产量历史数据如下表所示,要求预测今后10年的产量。7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法解:采用趋势模型
求解系数时本有:7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法预测模型:7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的最小二乘法 最小二乘法适于能通过取对数等手段转化为多项式函数的曲线,如指数曲线:7.3.3 趋势外推预测法——参数识别的最小二乘法7.3.3 趋势外推预测法——参数识别的三段和值法3、模型参数的识别
(2)三段和值法
,求参数K, a, b。
把n个样本点等分为3组,每组r个数据,7.3.3 趋势外推预测法——参数识别的三段和值法7.3.3 趋势外推预测法——参数识别的三段和值法令
三段和值法适于在较窄范围内变动的原始数据,其计算结果对随机干扰很敏感,因此可先用平滑法修匀。7.3.3 趋势外推预测法——参数识别的三段和值法7.3.3 趋势外推预测法——参数识别的三点法3、模型参数的识别
(3)三点法
同样考虑对Logistic曲线的拟合,在时间序列中等间距任取三点τ0,τ1,τ2,且T =τ1-τ0 =τ2-τ1。假设这三点(τ0,yτ0),(τ1,yτ1), (τ2,yτ2)恰在Logistic曲线上,则: 7.3.3 趋势外推预测法——参数识别的三点法7.3.3 趋势外推预测法例[4]:浏阳县历年总人口(单位:万人)演变情况如下表所示,要求预测1990年和2000年该县人口。7.3.3 趋势外推预测法7.3.3 趋势外推预测法例:浏阳县历年总人口(1949~1982)原始数据散点图7.3.3 趋势外推预测法7.3.3 趋势外推预测法例:浏阳县历年总人口预测曲线及原始数据线对比7.3.3 趋势外推预测法小结时间序列分析预测(惯性原理)
平滑预测法
移动平均法:适于发展变化较平坦,趋势不明显,且与以往时期的状况联系不大的时间序列。
指数平滑法:趋势不明显,与以往时期的状况有一定联系。平滑系数的选择影响很大。
趋势外推预测法:适于时间序列的发展有一个较明显趋势,趋势不变且发展过程是渐变而非突变。
小结思考题举例说明什么是时间序列。
举例说明时间序列的特征,并简述其识别方法。
简述移动平均法、指数平滑法和趋势外推预测法的适用范围。思考题作业P171 第5题作业随机过程定义:如果对于每一个固定的 ,X(t1)都是随机变量,那么称X(t)是一个随机过程。或者说,随机过程X(t)是依赖于时间t的一族随机变量。
随机过程例:电话问题中,若用X(t)表示在时刻t以前已经接到的呼唤次数,则对一个固定的 ,X(t1)都是随机变量。X(t)是一个随机过程。返回