#167;3.3 时间序列分析 - Geocomputation, GIS and RS, ECNU.ppt

第三节 时间序列分析;一、时间序列分析的基本原理 ;（二）时间序列的组合模型 加法模型，假定时间序列是基于四种成份相加而成的。长期趋势并不影响季节变动。若以Y表示时间序列，则加法模型为： Y=T+S+C+I 乘法模型，假定时间序列是基于四种成份相乘而成的。假定季节变动与循环变动为长期趋势的函数。该模型的方程式为：;二、趋势拟合方法; 2. 滑动平均法 ：其计算公式为 式中， 为t点的滑动平均值，L为单侧平滑时距。 若L=1，则（3.3.4）式称为三点滑动平均，其计算公式为 若L=2，则（3.3.4）式称为五点滑动平均， 其计算公式为;3.指数平滑法 ① 一次指数平滑 α为平滑系数。一般时间序列较平稳，α取值可小一些，一般取α∈（0.05,0.3）；若时间序列数据起伏波动比较大，则α应取较大的值，一般取α∈（0.7,0.95）。 ; ② 高次指数平滑法 ▲二次指数平滑法的预测公式为 ▲ 三次指数平滑法的预测公式 为 ;三种最常用的趋势线 直线型趋势线 指数型趋势线 抛物线型趋势线 ;1.自相关性判断 ①时间序列的自相关，是指序列前后期数值之间的相关关系，对这种相关关系程度的测定便是自相关系数。 ② 测度:设y1，y2，…，yt，…，yn，共有n个观察值。把前后相邻两期的观察值一一成对，便有（n－1）对数据，即(y1，y2)，(y2，y3)， …，(yt，yt+1)，…，(yn-1，yn)。;其一阶自相关系数r1为;k阶自相关系数为 ; 2.自回归模型的建立 常见的线性自回归模型： ① 一阶线性自回归预测模型为 ② 二阶线性自回归预测模型为 ③ 一般地，p阶线性自回归模型为 在以上各式中， 为待估计的参数值，它们可以通过最小二乘法估计获得。;基本步骤： （1）对原时间序列求移动平均，以消除季节变动和不规则变动，保留长期趋势； （2）将原序列y除以其对应的趋势方程值（或平滑值），分离出季节变动（含不规则变动），即： ;（3）将月度（或季度）的季节指标加总，以由计算误差导致的值去除理论加总值，得到一个校正系数，并以该校正系数乘以季节性指标从而获得调整后季节性指标。 （4）求预测模???，若求下一年度的预测值，延长趋势线即可；若求各月（季）的预测值，需以趋势值乘以各月份（季度）的季节性指标。 求季节变动预测的数学模型（以直线为例）为 式中： 是t+k时预测值，at、bt为方程系数， 为季节性指标。; 例 题 某旅游景点2002～2004年各季度客流量yi（104人次）如下表所示，下面我们用上述步骤，预测该旅游景点2005年各季度的客流量。 ;解题步骤：;表3.3.4 季节性指标及其校正值 ;解题步骤：;表3.3.5 预测模型系数 ;（4）求预测值 。以2004年第4季度为基期，套用步骤（3）中所得预测模型，计算预测2005年各季度的客流量 第一季度： = 301.7746（104人次） 第二季度： = 400.27（104人次） 第三季度： = 371.07（104人次） 第四季度： = 283.17（104人次） 由此可以计算出2005年全年度的客流量预测值 为： 301.7746+400.27+371.07+283.17=1356.28（104人次）