第15章 时间序列及预测.ppt

第15章 时间序列与预测 时间序列是一个变量在连续时点或持续时期上的预测值的集合。 可以通过分析时间序列数据，对未来的时间序列提供预测值。 从历史数据中发现规律性的轨迹，将其作为预测未来的依据。 时间序列的构成 1. 趋势成分：在较长时间内时间序列呈现的逐渐增加或逐渐减少的变化称为趋势。它是长期因素影响的结果。 2. 循环成分：时间序列每隔一段较长时间，重复出现的上下波动。（商业周期及消费品周期更新导致的需求量变动） 3.季节成分：时间序列因季节（年、季、月、周）变动而出现的那一部分变异。（银行活期储蓄额，发放工资前减少，发放工资后增多，按月呈周期性） 4.不规则成分：时间序列中除上述各成分外的剩余部分，它反映序列中的随机变动，其影响不能预测。 平滑法预测 该法的目的是通过消除时间序列的不规则成分造成的随机波动；该法适用于比较平稳的时间序列，即没有明显的趋势、循环或季节影响。 1.移动平均法 公式：移动平均数＝最近n个数据之和/n n为步长 观察以上数据，发现该时序随着时间的推移而发生较平稳的变化。 我们适用移动平均法来预测汽油销量：首先选择移动平均发里面所包含的数据个数，即步长n。 我们使用三周的移动平均值来预测第四周的汽油销量。 用误差均方来衡量预测方法的精度： 均方误差MSE=误差平方和/误差个数=92/9=10.22 不同步长的移动平均值对时序的预测精度是不同的，因此步长的选择可以根据精度的高低来确定。 2. 加权移动平均法 采用赋权法：为每一个数据选定不同的权值，然后计算最近的n个数值的加权平均值作为预测值。总得来说，我们对离得较近的数据赋予较大的权重。 应用加权移动平均得到的均方误差MSE=103.43/9=11.49 与三周平均法相比，用加权移动得到的均方误差MSE较大。 当时间序列波动较大时，选择近似相等的权数也许更为合适。 3. 指数平滑法 指数平滑模型： 其中，F(t+1)为第t+1期的预测值；Yt为第t期的实际值。α为平滑常数，在[0,1]间取值。 原式可以转换为： 说明第t+1期的预测值等于前一期的预测值加上一个调整值。 若时间序列含有较大的随机变异，则取较小的α为佳。 若时间序列含有较小的随机变异，则取较大的α为佳。 当α接近1时，距离预测期远的数据的权数衰减速度越快；当α接近0时，距离预测期远的数据的权数的衰减速度较慢。 其中有， 用指数平滑法对上例进行预测：取α=0.2 计算得到的MSE=98.8/11=8.98 现可取α为0.3看预测结果： 计算得到该平滑预测的MSE=102.83/11=9.35 介绍另一种衡量预测精度的方法： 平均绝对误差MAD＝各个误差的绝对值之和/误差个数 MAD1=2.67;MAD2=2.98;MAD3=2.59;MAD4=2.65 与MSE相比，MAD受较大的预测误差影响较小。 趋势推测法 对象：呈现长期线性趋势的时间序列 1. 线性趋势方程： Tt为第t期的时间序列趋势值；b0为趋势线的截距；b1为趋势线斜率；t为时间 公式： n为时期个数 某工厂过去10年的自行车销售量时间序列如表： 从图中看出，虽然销售量也呈现上下波动，但同样也显示出较明显的线性增长趋势。 由回归方法可以计算得到线性趋势方程： 2. 应用趋势法预测(用此法预测前应作显著性检验)： 假设时间序列所表现出的趋势对未来是合适的，则可以利用线性趋势方程来预测时间序列的趋势成分。例如在上例中取t=11，可得第11年的趋势预测值，为20.4+1.1×11=32.5 对于非线性的趋势，应采用非线性回归的方法来解决。 利用趋势和季节成分进行预测 对象：同时含有趋势和季节成分的时间序列 1. 乘法模型：Y=T×S×I（任何一个时间序列都含有I成分） T趋势，S季节，I随机 Y原时序 对这种情况，现计算季节指数，用来消除S的影响，若消除了S以后有明显的趋势成分，再用回归分析来估计T 某电视机生产上在过去4年的电视机销售数量： 2.计算季节指数 我们首先通过计算移动平均法，将趋势成分T与季节成分S以及随机成分I分离，然后再确定每个季度的季节影响。 我们先使用4项移动平均法去除S和I的影响。 如第一个移动平均值为(4.8+4.1+6+6.5)/4=5.35 移动平均的目的是：将季节成分和不规则成分从时序中分离。 移动平均值的中间值用来调整时序的对应时期。 图中绘出了中间值的趋势图，看出分离了季节和不规则成分的时序有一定的增长趋势。 在表中第6列，列出了含有S和I的成分，要计算季节指数，还需要将该复合成分中的I去除。 在有些时候，需要对季节指数进行调节。乘法模型需要平