毕业论文（设计）--时间序列分析在厦门降水预测中应用文献综述.docVIP

毕业设计（论文）文献综述 院 系： 应用数学学院 年级专业： xx级数学与应用数学 姓 名： 学 号： xxxx 题目名称： 时间序列分析在厦门降水预测中应用文献综述 指导老师评语： 指导教师签名： 年 月 日  【内容摘要） 【关键词】：时间序列ARMA模型ARIMA模型 第一章 导言 时间序列分析是数理统计学中的很重要的一部分, 任何事物的变化发展都伴随着一个过程, 我们依照事物发展的时间顺序把其发展过程逐一记录下来, 形成一个时间序列。通过研究一个时间序列, 可以从该序列发展的趋势中提取出事物发展随时间变化的内在规律, 进而对未来的发展趋势进行预测, 这就是时间序列分析。 第二章 研究历史 时间序列分析是从事件的发展中找到一种统计规律, 采用合适的数学模型来拟合这种规律并进行预测。最早的时间序列分析可以追溯到7000年前的古埃及。古埃及人为了发展农业把尼罗河涨落的情况逐天记录下来, 就形成所谓的时间序列。 时间序列分析方法的概念最早是由英国统计学家G.U.Yule于1927年提出的, 2012年, 张文斌在《矿区形变监测数据动态分析研究》[]一文中, 介绍了著名学者G.U.Yule提出了关于时间序列中用来预测的自回归(autoregressive, AR)模型, 这些模型奠定了时间序列时域分析方法的基础, 也是ARMA模型中的一个特例。1931年他又运用AR模型进行了预测, 此后逐步发展了ARMA模型、ARIMA模型等多种模型, 这些模型的提出奠定了时间序列分析方法发展的基础。 2009年, 赵晓葵在《基于Box-Jenkins方法的中国年度GDP时间序列分析建模与预测》[]一文中提到, 1970年美国学者Box和英国统计学家Jenkins在前人所做研究的基础上, 提出了一整套关于时间序列分析、预测和控制的方法, 详细而系统地提出了关于求和自回归移动平均(autoregressive integrated moving average, ARIMA)模型的识别、估计、检验及预测的原理和方法。这些知识现在被称为经典时间序列分析方法, 二人在时间序列分析的发展过程中作出了巨大的贡献。 第三章 研究现状 3.1 3.1.1 平稳时间序列 2007年, 何书元在《应用时间序列分析》[]对时间序列的基本知识给出了详细的阐述, 主要介绍了时间序列的基本知识, 常用的建模和预测方法。其中第2章介绍了自回归模型, 第3章介绍了滑动平均模型和自回归滑动平均模型, 第6章介绍了ARMA模型的参数估计, 这些基本理论和模型都是实际问题分析中的理论基础。 ARMA模型的全称是自回归移动平均模型(auto regression moving average), 它是目前最常用的拟合平稳序列的模型。它又可以细分为AR模型(auto regression model)、MA模型(moving average model)和ARMA模型(auto regression moving average model)三大类。 AR模型 具有如下结构的模型称为p阶自回归模型, 简记为AR(p)： 当时, 自回归模型又称为中心化AR(p)模型。 MA模型 具有如下结构的模型称为q阶移动平均模型, 简记为MA(q): 当时, 模型称为中心化MA(q)模型。 ARMA模型 把具有如下结构的模型称为自回归移动平均模型, 简记为ARMA(p,q): 当, 该模型称为中心化ARMA(p,q)模型。3.1.2 非平稳时间序列 潘红宇2006年《时间序列分析》[1]一书在第六章对非平稳时间序列模型进行了详细的介绍, 因为自然界中绝大多数序列都是非平稳的, 通过差分运算的处理很多非平稳时间序列都会显现出平稳时间序列的性质, 对这种差分后的时间序列多采用ARIMA模型拟合 把具有如下结构的模型称为求和自回归移动平均模型, 简记为ARIMA(p,d,q)： 当d=0时, ARIMA(p,d,q)模型就是ARMA(p,q)模型。 当d=1, p=q=0时, ARIMA(0,1,0)模型为： 该模型被称为随机游走（random walk）模型。 3.2 [13] ，限制了某些频率成分的准确提取；同时, 小波分析过程中涉及的相关问题, 例如小波基选择、分解层数选择[14]、边界条件端点效应等问题也需要进一步研究。 3.2.1极大重叠离散小波变换 设为点实值序列：, 为自然数。设为选取的小波分解层数, 通过利用层极大重叠离散小波变换变换小波滤波器和第层尺度滤波器对进行循环滤波, 也即 其中, , 其中,可以得到个极大重叠小波变换小波系数向