时间序列分析预测法精要.ppt

* α值应根据时间序列的具体性质在0-1之间选择。具体如何选择一般可遵循下列原则: （1）如果时间序列波动不大，比较平稳，则α应取小一点，如（0.1-0.3）。以减少修正幅度，使预测模型能包含较长时间序列的信息。 （2）如果时间序列具有迅速且明显的变动倾向，则α应取大一点，如（0.6-0.8）。使预测模型灵敏度高一些，以便迅速跟上数据的变化。 在实用上，类似于移动平均法，多取几个α值进行试算，看哪个预测误差较小，就采用哪个α值作为权重。 * ? 值的最后确定，一般是选择不同的?，通过对预测结果的评价来实现的。评价原则： （1）对不同的?计算平均绝对误差(Mean Absolute Error)选择MAE= 最小的?值。 （2）历史数据检验。即对每个?，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?。 （3）对不同?所得模型的预测结果，专家评估。 * 初始值的确定 用一次指数平滑法进行预测，除了选择合适的α外，还要确定初始值S0(1)。初始值是由预测者估计或指定的。当时间序列的数据较多，比如在20个以上时，初始值对以后的预测值影响很小，可选用第一期数据为初始值。如果时间序列的数据较少，在20个以下时，初始值对以后的预测值影响很大，这时，就必须认真研究如何正确确定初始值。一般以最初几期实际值的平均值作为初始值。 * 例 3 以例2为例，试预测2003年该企业利润。 解：采用指数平滑法，并分别取α=0.2，0.5和0.8 进行计算，初始值 按预测模型 计算各期预测值，列于表3中。 * 表3 某企业利润及指数平滑预测值计算表 单位：万元 227.7*0.2+219.1*0.8=220.82 * 二次指数平滑法 一次指数平滑法虽然克服了移动平均法的两个缺点。但当时间序列的变动出现直线趋势时，用一次指数平滑法进行预测，仍存在明显的滞后偏差。因此，也必须加以修正。修正的方法与趋势移动平均法相同，即再作二次指数平滑，利用滞后偏差的规律建立直线趋势模型。这就是二次指数平滑法。其计算公式为： 式中：St(1)为一次平滑指数；St(2)为二次指数的平滑值。 * 当时间序列{xt}，从某时期开始具有直线趋势时，类似趋势移动平均法，可用直线趋势模型： T=1,2,3,… 进行预测。 * 三次指数平滑法 当时间序列的变动表现为二次曲线趋势时，则需要用三次指数平滑法。三次指数平滑是在二次指数平滑的基础上，再进行一次平滑，其计算公式为: 式中：St(1)为一次平滑指数；St(2)为二次指数平滑值； St(3)为三次平滑指数值。 * 三次指数平滑法的预测模型为： 式中： * [例4] 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 * 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 80 50 50 50.6 49.52 49.96 49.67 … 64.23 67.76 69.93 72.95 50 50 50.18 49.98 49.98 49.88 … 59.28 61.79 64.23 66.85 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 * 滞后偏差 数据点连线 一 次 平 滑 二次平滑 10 20 20 40 60 80 Xt（万人次） t（日） 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 7.3.2 平滑预测法——指数平滑法 * 时间序列又称为“动态数据”。 时间序列一般是某个随机过程的一个样本，通过对样本的分析研究，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，就是时间序列分析的内容。 * 时间序列又称为“动态数据”。 时间序列一般是某个随机过程的