chap时间序列的预处理L.ppt

第二章 时间序列的预处理 本章结构 时间序列的建立 非平稳时间序列的平稳化的处理 异常值的处理 一、时间序列的分解 采样 离散化 间隔 等时，非等时 损失信息，信息冗余 二、平稳化处理 时间序列的预处理，一方面使得序列的特征体现的更加明显，有利于模型的分析；另一方面也使数据满足于模型的要求。 非平稳时间序列→平稳时间序列 时间序列的函数变换 对数函数 ln(x) 指数函数 exp(ax) 倒数函数 a/x 等等 时间序列非平稳的多样性表现出多样性和复杂性。 均值平稳，方差与协方差不平稳。 均值不平稳，方差与自协方差平稳。 BOX-COX变换 变换参数λ要适当，使用极大似然估计得到的参数，可以使上述过程的效果更好。当然，做过Box-Cox变换之后，方差的问题不一定会消失，做过之后仍然需要做关于方差的检验，看是否还需要采用其他方法。 差分 差分是通过逐项相减消除前后期数据相关性的方法，可剔除序列中的趋势性，是非平稳序列的均值平稳化的预处理。 差分运算 一阶差分 阶差分 步差分(本书中 季节差分) 高阶差分 如果对一阶差分再进行差分，则得到高阶差分，d阶差分记为 。 后移算子（延迟算子） 后移算子类似于一个时间指针，当前序列值乘以一个后移算子，就相当于把当前序列值的时间向过去拨了一个时刻。 记B为延迟算子，有 后移算子的性质 ，其中 用后移算子表示差分运算 阶差分 步差分 接下来通过几个例子来观察差分法的平稳化过程 具有二次抛物线趋势， 有一次线性趋势， 则可以认为是平稳的序列。 具有d次多项式趋势，则可以通过d阶差分后可变成平稳序列 季节差分(s步差分) 设Xt为一含有周期为S的周期性波动序列，则Xt，Xt+s，…为各相应周期的观察点，它们则表现出非常相近或呈现某一趋势的特征，如果把每一观察值同下一个周期相应时刻的观察值相减，就得到季节差分。 对数变换与差分运算的结合运用 序列Xt含有指数趋势，则可以通过取对数将指数趋势转化为线性趋势，然后再进行差分以消除线性趋势。 一、数值检验 方法一：将序列值与平滑值进行比较 判断标准： 其中 表示先对序列 进行平滑再平方得到的数值。 表示先取平方再平滑得到的值。并用 表示样本方差。 （k一般为3-9的整数） 指数平滑法 一次指数平滑法 一次指数平滑法 ⑵指数平滑法初始值的确定 从时间序列的项数来考虑：若时间序列的观察期n大于15时，初始值对预测结果的影响很小，可以方便地以第一期观测值作为初始值；若观察期n小于15，初始值对预测结果影响较大，可以取最初几期的观测值的平均数作为初始值，通常取前3个观测值的平均值作为初始值。 一次指数平滑法 ⑶平滑系数α的选择 ①当时间序列呈稳定的水平趋势时，α应取较小值，如0.1～0.3； ②当时间序列波动较大，长期趋势变化的幅度较大时，α应取中间值，如0.3～0.5； ③当时间序列具有明显的上升或下降趋势时，α应取较大值，如0.6～0.8； 在实际运用中，可取若干个α值进行试算比较，选择预测误差最小的α值。 算例 【例】某企业2000至2008年销售额见下表，试用指数平滑法预测2009年销售额（α分别取0.1、0.6和0.9）。 算例 解：（1）确定初始值 因为n=915,取时间序列的前三项数据的平均值作为初始值 算例 （2）选择平滑系数α，计算各年一次指数平滑值 这里分别取α=0.1、α=0.6和α=0.9计算各年一次指数平滑值 算例 （3）对不同平滑系数下取得的平滑值进行误差分析，确定α的取值。 方法：计算各平滑系数下平滑值的平均绝对误差（平均差） 算例 算例 ⑷预测2009年销售额 方法二：判定序列值与曲线平滑估计值的绝对离差 判断标准： 其中 二、模型分析 拟合模型后的剩余序列 统计量 修正模型 残差 指数平滑法是一种特殊的加权移动平均法，其加权的特点是对离预测期近的历史数据给予较大的权数，对离预测期远的历史数据给予较小的权数，权数由近到远按指数规律递减，所以，这种方法被称为指数平滑法。 ⑴一次指数平滑的预测模型 已知时间序列为： ，n为时间序列总期数，一次指数平滑的基本公式为： （t=1,2,3,…,n） 6000 5800 6200 6600 5200 4900 5000 4700 4000 销售额 （万元） 2008 2007 2006 2005 200