信息分析与预测作业模板.docVIP

《信息分析与预测》课程论文 班级： 学号： 姓名： 基础数据 （一）年数据 表1 某农机公司1986-2008年销售额数据 （单位：万元） 年 度 1986 1987 1988 1989 1990 1991 1992 1993 销售额 1141 1306 2796 3669 5372 6293 8262 11056 年 度 1994 1995 1996 1997 1998 1999 2000 2001 销售额 11660 21526 26141 32003 31291 33123 19114 7399 年 度 2002 2003 2004 2005 2006 2007 2008 销售额 12028 15982 21054 40648 44965 78316 105890 （二）月销售数据 表2 某农机公司2003.1-2008.5年月销售额数据统计表（单位：万元） 年份 1月 2月 3月 4月 5月 6月 7月 8月 9月 10月 11月 12月 784.9 773.4 1624.7 1595.7 2281.5 1139 914.8 1249.1 1480.6 1351.2 1604 1183.3 2004 266.2 897 1821.7 4316.9 1636.4 1377 1188.5 1737.8 2522.2 1262.8 2862.6 1165.2 2005 728.5 597.6 3504.7 2707.8 2366.4 1820.9 5451.6 1773.6 1773.6 15621.4 2161.2 2141 2006 830.6 1463 3831.7 2422.7 10457 1397.7 2016.2 5636.3 10371.5 2957.1 1715.8 1865.7 2007 5673.5 1354 5426.7 3807.7 2462.3 16309.5 3284.7 5670.1 8673.5 11886.4 3065.6 10703 2008 3902.4 3874.6 4227 4849 3396 二、 基于研究及实分析 回归检验1）经济意义检验 （2）相关系数检验?（3）自相关检验 ? （4）模型检验 模型检验用残差平方和残差平方和是指实际数据与所曲线的趋势值的离差平方和 2007 2008 2009 2010 2011 销 售 额 78316 105890 预 测 值 相对误差 用Excel得到 图1 1986-2011年销售额线性回归模型图 对结果进行分析 2. 2003-2007年月销售额数据实测分析 要用2003-2007年的月销售额数据预测2008.1-2008.5月的销售额。 计算得到的数据如下： 表4 用该模型预测得到2008.1-2008.5月销售额预测结果表（单位：万元） 2008.1 2008.2 2008.3 2008.4 2008.5 销 售 额 3902.4 3874.6 4227 4849 3396 预 测 值 相对误差 图2 2003.1-2008.5月销售额回归模型图 对结果进行分析 三、基于时间序列分解的农机销售预测模型研究及实测分析 （一）时间序列分解算法及优缺点 时间序列是指按时间次序排列的随机变量序列，时间序列分解的方法(Time Series Decomposition Method, TSDM)是指任何时间序列经过合理的函数变换后都可以被分解成三个部分的叠加或耦合。这三个部分分别是长期趋势项部分、季节变动部分和不规则变动部分。 1．长期趋势变动。它是指时间序列朝着一定的方向上持续上升或下降，或停留在某一水平上的倾向，它反应了客观事物主要变化趋势。 2．季节变动。即指一年或更短的时间之内，由于受某种固定周期性因素(如自然、生产、消费等季节性因素)的影响而呈现出有规律的周期性波动。 3．不规则变动。通常它分为突然变动和随机变动。所谓突然变动是指战争、自然灾害或是其他社会因素等意外事件引起的变动。随机变动是指由于大量的随机因素产生的宏观影响。根据中心极限定理，通常认为随机变动近似服从正态分布。 通常用表示长期趋势项，用表示季节变动趋势项，用表示随机干扰项，表示观测目标的观测记录值。常见的时间序列分析模型有以下几种类型： 加法模型：