海水位预测误差与样本尺度关系.docVIP

海水位预测误差与样本尺度关系 　　摘 要： 时间序列的预测有着广泛的应用，如何提高预测的准确程度是人们关心的问题。将海水位数据作为研究对象，对多组不同长度的样本，采用AR模型预测，将预测误差与样本长度的关系进行定量分析。另外，实验得到的预测误差与样本长度的函数关系呈现出一定的幂函数特征，这有助于提高时间序列预测的准确程度。 　　关键词： 时间序列预测； 海水位信号； AR模型； 误差分析； 样本长度 　　中图分类号： TN911.6?34 文献标识码： A 文章编号： 1004?373X（2013）17?0122?03 　　时间序列预测在许多领域都有广泛的研究与应用。如今关于时间序列的预测已经有一些常用的方法和模型[1]，例如自回归（AR）模型、滑动平均（MA）模型，以及自回归滑动平均（ARMA）模型，综合上述模型的优点，学者又提出求和自回归滑动平均（ARIMA）模型。如何提高预测精度是人们关心的问题，在要求的预测误差前提下，如何确定预测样本的长度是值得研究的问题。文中探讨了在应用同样的预测模型条件下，不同的样本长度对预测误差的影响程度，将预测样本分成多组，通过分析大量的样本预测误差数据与它们尺度的定量关系，采用多项式拟合与幂函数拟合来研究这种定量关系，推导出的函数关系有助于提高预测准确程度。 　　1 数 据 　　文中主要讨论的是时间序列的预测问题，时间序列通常按固定的时间间隔采样，通常有两种采样方法，第一种是取观测时间点处被测参数的瞬时值，第二种是取相邻时间点期间内的累计值。 　　海洋潮起潮落，波浪起伏不定。严格地说海水位是随机变化的，海水位预测也是海洋科学中较有意义的热点问题，海水位信号就是一类常见的时间序列。本文将其作为研究对象[2]，研究数据取自美国国家海洋和大气管理局（NOAA）下属的国家浮标资料中心[3] （NDBC）的网站，NDBC在全球分布有众多监测站点，监测站点的传感器全天候采集气象数据，每小时记录一次被测参数。选取位于佛罗里达州松布列罗岛的监测站SMKF1采集到的2012年海水位数据作为实验的预测样本。测得的数据表现了2012年该地海水位高度连续一整年的情况，不失一般性，采用监测站的TG01传感器数据作为预测样本。 　　2 预测方法 　　经过多年研究，人们对时间序列的预测已有了一定的理论和实践经验[4]，许多学者提出过多种经典模型，使得时间序列预测有了一定的理论体系[5]，例如AR模型、MA模型，还有ARMA模型。ARMA模型在理论上较为成熟，是人们广泛研究的有限参数线性模型，它将非平稳时间序列平稳化，然后利用自回归过程和滑动平均过程，根据样本的自相关系数、自偏相关系数对时间序列进行参数估计和预测。本文的研究重点在于分析预测误差与样本尺度的关系，应用AR模型预测建模是为了简化参数估计的过程，将样本分成多组预测，能够取得尽可能多的预测误差值，而大量的实验数据更有利于发现误差遵从的规律。 　　3 预测过程 　　图2画出了20组样本的预测均方根误差，观察到预测误差随样本容量的增大明显减小，当样本容量达到1 000时，误差水平已减小到非常可观的程度。根据图2描述的定量关系，在不改变预测模型和方法的前提下，继续增大预测样本大小对于误差的改善作用已经很小了。下面将进一步分析上述定量关系符合什么函数关系。 　　4 数据分析 　　为了研究预测误差与样本尺度的函数特征，分别采用多项式拟合和幂函数拟合两种方式进行探究。 　　图3和图4分别画出了采用多项式拟合和幂函数拟合两种方法对原始曲线逼近的模拟结果，通过两张图的对比，可以清晰地看到幂函数拟合的效果要更加符合时间序列预测误差随样本的变化趋势。 　　另外，通过拟合得到了确切的幂函数关系，可以很快地根据样本大小来求出预测可以达到的精度，也可以通过预测精度来确定采集样本的数量范围，有助于减少研究中采集样本的数量，节约了研究的时间和代价，这对时间序列的探究有一些实际的意义。 　　5 结 语 　　本文研究了时间序列中海水位这一类信号的预测问题，目的在于提高预测这一类时间序列的准确程度。本文的贡献之处在于： 　　（1）着重分析了基于AR模型的序列预测误差随着样本尺度变化的函数定量关系。 　　（2） 进一步采用多项式与幂函数拟合，得到上述定量关系符合幂函数的函数特征。 　　（3）推导出的函数关系可以计算一定误差要求下需要的样本长度。将来可以进一步研究基于FARIMA模型[7]的时间序列预测误差与样本尺度的函数关系。 　　参考文献 　　[1] 张美英，何杰.时间序列预测模型研究简介[J].江西科学，2009，27（5）：697?701. 　　[2] LI M， CHEN Y Q， LI J Y， et al. H?lder scales of se