〓基于ARIMA模型的福州市雷暴日分布趋势分析(5页).docVIP

基于ARIMA模型的福州市雷暴日趋势预测分析 刘隽1 张烨方1 黄岩彬1 (福建省气象局 福建福州 350001) 摘要： 雷暴日是反应一个地区雷电活动规律的重要气象参数，是目前进行建筑物防雷类别及防雷装置设计的重要数据，对雷暴日进行预测是气象长期预报的一项重要内容，一般而言，雷暴日的年分布没有非常明显的趋势和规律，目前对雷暴日的预测、预报也还停留在研究和探索阶段。本文通过对建立ARIMA模型，采用将雷暴日的历史数据与雷暴日预测的残差相结合的方式，进行短期的雷暴日趋势预测，并以福州市1961-2005年的雷暴数据为样本做了实例计算，以建立的模型计算出2006年的雷暴预测数据，结果表明，ARIMA模型在短期预测方面有着较好的结果，可以应用在实际的雷暴日预测预报中。 关键词：雷暴日 自回归模型 滑动平均模型 预测 中图分类号：X43 文献标识码： A 1 概述为一个时间序列，即中的数据是按照一定的时间段顺序排列的，以雷暴日为例，该时间序列时间段为年。进行ARIMA分析的数据必须满足两个条件，一是数据是平稳性的数据，二是数据本身的随机过程是一个白噪声过程，即当的数学期望为一固定值，或者说系统受扰动后经过足够长的时间后可以趋于平稳的序列可认为是平稳序列；而在满足平稳序列的前提下，如果还满足，则称序列为白噪声。 利用的前p个数据进行回归计算来预测，即，称之为p阶AR自回归模型，可记为AR(p)； 利用的前q个预测残差值进行回归来计算，即，称之为q阶MA滑动平均模型，可记为MA(q)； 如果将AR(p)、MA(q)的预测方法相结合(即ARMA) ，就可以对数据进行更加完整的预测，由于很多数据本身并不是平稳的白噪声序列，因此需要对数据进行一定的处理才能使之成为可以进行ARMA分析的序列，常用的处理方法是对非平稳序列进行差分计算，即按照差分算子做数据的d阶差分，这样组合起来的模型即称之为ARIMA(p,d,q)。 我们引入一个后移算子，使之满足，并令 则可将ARIMA模型算式表达为：，再通过一定的参数估计方法将表达式中的未知参数求解出来，形成完整的计算式用于具体的预测计算。 2_ARIMA建模 其中，是协方差计算，是方差计算。 定义偏自相关系数为：对于时间序列，阶偏自相关系数用时间序列的条件密度期望及相应方差的比值来表示： 我们对福州市1961-2005年的年均雷暴日按上述算式进行自相关系数和偏自相关系数计算并绘制自相关系数和偏自相关系数图(如图1-a)，从图中可看出福州市雷暴日的基本符合稳定性数据的要求，但整体的截尾和拖尾特征不明显，不利于我们进行ARIMA建模取值，于是对样本数据进行差分处理，即用差分算子进行数据差分，并引入后移算子，则可推导得。按照上式对福州市1961-2005年的年均雷暴日做二阶差分处理并计算自相关系数和偏自相关系数及绘图，如图1-b所示，可发现二阶差分后的时间序列截尾和拖尾性质很明显，可以进行ARIMA的建模。 a) 0阶自相关、偏自相关图 b) 2阶自相关、偏自相关图 a) 0 step for ACF、PACF b)2 step for ACF、PACF 图1 福州市1961-2005年均雷暴日自相关、偏自相关分析图 Draw 1 ACF、PACF Drawing of Fuzhou 1961 to 2005 annual thunderstorm days 2.2_ARIMA建模 ARIMA建模的关键在于确定一个最优的自回归p、滑动平均指数q及相应的差分阶数d，在确认了ARIMA的三个参数后，采用极大似然函数进行ARIMA模型参数的参数估计。即建立如下命题： 对于平稳序列的ARIMA模型： 估计参数、及，需要建立个方程，我们先认为是一个白噪声，认为其服从正态分布，则有似然函数： 对上式取对数可得 对上式进行偏导计算即可得相应参数的极大似让估计表达式。而在确定了各个参数的估计量后，由于我们在进行计算时认为序列的随机误差是一个白噪声，可以通过对构造一定的统计量来进行结论的假设检验，以保证参数估计结果的准确性，这里借鉴Box-Pierce提出的Q统计量 进行参数估计结果的假设检验。为了保证所建立的ARIMA模型的最优性，还需要对我们所选择的(p,d,q)进行最佳准则定阶，参考AIC准则函数(Akaike于1973年提出的判别准则)： 取通过Q检验量假设检验的，且AIC值最小的那对自回归p、滑动平均指数q阶数即为最优解。 基于上述方法，我们通过对比发现ARIMA(2,2,0)为最优化结果(其余参数的计算、对比过程略)，按照ARIMA(2,2,0)模型进行计算(如图2)图2_ARIMA(2,2,