ARIMA模型在太湖水位趋势分析与预测中的应用.pdfVIP

ARIMA 模型在太湖水位趋势分析与预测中的应用 林森 河海大学计算机及信息工程学院，南京（210098 ） Email ：linsen826@ 摘 要：ARMA 模型是研究时间序列的重要方法，它普遍应用于时间序列的分析与预测。 本文利用 SAS 提供的数据挖掘工具，对太湖历史水位数据建立 ARIMA 模型，并在模型的 基础上对太湖水位趋势进行了分析和预测，通过实验可以得出结论，ARIMA 模型适合用于 预测短期的水位变化趋势。 关键词：ARIMA ，数据挖掘，趋势分析，时间序列 中图分类号：TP3-05 1．引言 太湖是我国五大淡水湖之一，以太湖为中心的水系区域称太湖流域。太湖流域是长江水 系的一个主要的支流区，位于长江干流下游河口三角洲地区[1] 。太湖的水位在太湖防洪调度 中具有非常重要的意义，使用这些数据科学、准确、有效地对太湖历史水位进行分析，并对 未来水位变化趋势进行预报，会给防洪调度做出重大的贡献，以减轻水旱灾情对太湖流域造 成的巨大危害。 2 ．ARIMA 模型与模型识别和诊断 2.1 ARIMA 模型 Box 和Jenkins 于1977 年首次提出了一种时间序列预测分析方法，自回归求和滑动平均 过程（Auto-Regressive and Moving Average Model ），简称ARIMA(p, d, q) 。其中，p 为自回 归项数，q 为滑动平均项数，d 为使之成为平稳序列所做的差分次数（阶数）。ARIMA 包含 了三种模型： 1）当q=0 且d=0 时，称为自回归过程，即AR(p)模型； 2 ）当p=0 且d=0 时，称为滑动平均过程，即MA(q)模型； 3 ）当d=0 时，称为自回归滑动平均过程，即ARMA 模型。 ARMA 模型是研究时间序列的重要方法，它普遍应用于时间序列的分析与预测。给定 一个时间序列{Y :1≤t ≤n}，该序列的ARIMA 模型定义为： t d θ(B ) (1−B ) Yt µ=+ ∂t φ(B ) 其中： t 代表时间索引，µ代表均值，B 代表后移算子，即BX t X t−1 ； φ(B) 代表自回归项，表示成一个带有后移算子的多项式： p φ(B ) 1=−φB −... −φ B ； 1 p θ(B ) 代表滑动平均项，表示成一个带有后移算子的多项式： p θ(B ) 1=−θB −... −θ B ； 1 p ∂t 代表随机误差。 例如，ARIMA(1,1,2) 的数学公式表示形式为： - 1 - (1−θB −θ B 2 ) (1−B )Yt µ=+ 1 2 ∂t (1−φB ) 1 2.2 ARIMA 季节模型