预测分析模型原理和算法.docVIP

预测分析模型原理与算法 一、移动平均 1 1．简单平均 1 2．简单移动平均 1 3．加权移动平均 2 4．趋势移动平均 2 二、指数平滑 3 1．单参数一次指数平滑 3 2．布朗单参数二次指数平滑 5 3．布朗单参数三次指数平滑 6 4．霍特双参数指数平滑 7 5．温特季节指数平滑 7 三、灰色预测 8 1．灰色关联度 8 2．GM(1,1) 模型 9 3．GM(1,1) 误差修正模型 11 4．灰色灾变预测 11 5．灰色拓扑预测 12 四、回归分析 12 1．一元线性回归 12 2．多元线性回归 12 3．拟线性回归 14 五、博克斯－詹金斯模型 15 1．自相关与偏相关系数 15 2．自回归模型 16 3．滑动平均模型 17 4．自回归滑动平均模型 17 六、结构预测 23 七．模型的自动选择与组合预测 24 1．模型自动选择 24 2．组合预测定权 24 一、移动平均 1．简单平均 第一步：输入原始数据 第二步：计算均值 第三步：预测公式如下： 2．简单移动平均 第一步：输入原始数据 第二步：预测公式 （） 注意，其中（即平均个数）的选择由用户给出，或者以使得下式取得最小T确定（一般来说，，因此，在系统中以为标准） 3．加权移动平均 第一步：输入原始数据 第二步：输入权系数： 第三步： 预测公式为： （） 4．趋势移动平均 第一步：输入原始数据 第二步：进行一次平均 第三步：进行二次平均 第四步：计算平滑系数和（） 第五步：预测 注意，其中（即平均个数）的选择由用户给出，或者以使得下式取得最小T确定（一般来说，，因此，在系统中以为标准） 二、指数平滑 1．单参数一次指数平滑 第一步：输入数据序列 第二步：由用户输入或者确定平滑指数 第三步：原始序列的预测，公式（） 第四步：前推预测，公式 其中，T是原始时间序列的最大时刻。 输出：预测值、平滑常数、相对误差 注意平滑常数的取值： 2．布朗单参数二次指数平滑 第一步：输入数据序列 第二步：由用户输入或者确定平滑指数 第三步：原始序列的平滑计算，公式 （） （） 第四步：前推预测，公式 （） 其中，T是原始时间序列的最大时刻。仍然采用优选法确定，或者由用户输入 3．布朗单参数三次指数平滑 第一步：输入数据序列 第二步：由用户输入或者确定平滑指数 第三步：原始序列的平滑计算，公式 （） （） （） 第四步：计算 第五步：前推预测，公式 （） 其中，T是原始时间序列的最大时刻。仍然采用优选法确定，或者由用户输入 4．霍特双参数指数平滑 第一步：输入数据序列 第二步：由用户输入或者确定平滑指数、 第三步：原始序列的预测，公式 （） （） 其中，， 第四步：前推预测，公式 （） 其中，T是原始时间序列的最大时刻。 注意：平滑指数、的确定是将平滑指数、在[0,1]中取值，步长为0.05进行计算，从中选择最小的作为参数 5．温特季节指数平滑 对应季节数据，即数据是月份或者季度数据，则有参数或者 第一步：输入数据序列 第二步：由用户输入或者确定平滑指数、、 第三步：确定初始值 第四步：计算（） 第五步： 三、灰色预测 1．灰色关联度 母体：基础序列 子体：比较序列 关联系数计算步骤： 第一步：数据预处理： 初值化变换 推荐：时序 均值化变换 推荐：时序 极差变换 推荐：非时序 效果测度变换（指标越大越好） 推荐：非时序 效果测度变换（指标越小越好） 推荐：非时序 第二步：确定母体与子体 第三步：计算差值序列 第四步：计算差值序列的最大最小值 、 第五步：计算关联系数： 第六步：计算关联度：对关联系数求均值 需要输出：根据关联度排序结果 2．GM(1,1) 模型 第一步：读入数据 第二步：原始序列预处理（可选） 第二步： 其中，B矩阵改为 第三步：预测公式 第四步：往前预测： .新陈代谢模型：新加入一个数据，将其直接加入原始的数据序列中，并且删除原来序列的第一个数据，建立以上的GM（1，1）模型 输出：a 发展系数 u 灰色作用量 残差 相对误差 3．GM(1,1) 误差修正模型 4．灰色灾变预测 5．灰色拓扑预测 四、回归分析 1．一元线性回归 自变量为一个的回归模型 2．多元线性回归 第一步：读入原始数据 并且记： 第二步：进行最小二乘估计 第三步：输出如下参数 回归系数： 残差： 方差分析表： 复相关系数： 剩余标准差： 回归系数