详解时间与序列预测法 .ppt

趋势外推法 当预测对象以时间变化呈现某种上升或下降趋势，没有明显的季节波动，且能找到一个合适的函数曲线反映这种变化趋势时，就可以用趋势外推法进行预测。 应用趋势外推法有两个假设条件：（1）假设事物发展过程没有跳跃式变化；（2）假定事物的发展因素也决定事物未来的发展，其条件是不变或变化不大。 选择合适的趋势模型是应用趋势法的重要环节，图形识别和差分法是选择趋势模型的两种基本方法。 常见的趋势模型 多项式趋势模型：yt=b0+b1t+b2t2+…+bktk 指数曲线预测模型：yt=aebt (a0) 修正指数曲线： yt=a+bct 对数曲线模型： yt=a+blnt 趋势模型的选择 图形识别法: 通过绘制散点图来进行的，即将时间序列的数据绘制成以时间t为横轴，时序观察值为纵轴的图形，观察并将其变化曲线与各类模型的图形进行比较，以便选择较为合适的模型。 差分法:(能图形识别，就不用差分识别！太麻烦) 差分特性 使用模型 一阶差分相等或大致相等 一次线性模型 二阶差分相等或大致相等 二次线性模型 三阶差分相等或大致相等 三次线性模型 一阶差分比率相等或大致相等 指数曲线模型 一阶差分的一阶比率相等或大致相等 修正指数曲线模型 * * 时间序列 所谓时间序列，是指观察或记录到的一组按时间顺序排列的数据，经常用X1,X2,…Xn表示。序列包含了产生该序列的系统的历史行为的全部信息。 基本思想: 根据系统有限长度的运行记录（观察数据），建立能够比较精确地反映时间序列中所包含的动态依存关系的数学模型，并借以对系统的未来行为进行预报 时间序列分析简称时序分析,是一种根据动态数据揭示系统动态结构和规律的统计方法，是统计学科的一个分支。 时序分析特点 1. 根据预测目标过去至现在的变化趋势预测未来的发展,它的前提是假设预测目标的发展过程规律性会继续延续到未来,即以惯性原理为依据。 2. 时间序列数据的变化存在着规律性与不规律性.每一时期的数据，都是由许多不同的因素同时发生作用的综合结果.些因素分为T、S、C、I四类. 3. 时间序列是一种简化。将预测对象与许多外部因素的 复杂联系简化为与时间的联系。 移动平均法 移动平均法是根据时间序列，逐项推移，依次计算包含一定项数的移动平均数，据以进行预测的方法。 移动平均法主要有： 一次移动平均法 二次移动平均法 一次移动平均预测法 基本思想：每次取固定数量的数据平均，按时间顺序逐次推进。每推进一个时期，舍去前一个时期的数据，增加一个新时期的数据，再进行平均。即用(xt+xt-1+…+xt-N+1)/N预测xt+1。 注意：1、一次移动平均法一般适应于平稳模式，当被预测的变量的基本模式发生变化时，一次移动平均法的适应性比较差。2、一次移动平均法一般只适用于下一时期的预测。3、常用对过去数据预测的均方误差MSE来作为选取N的准则. 案例 某农机公司某年1月至12月某种农具的销售量如表。试用一次移动平均法预测次年1月的销售量 分别取N=3，N=5，计算各月的一次移动平均数。 由计算结果可见，MSE3MSE5，故选取N=5，预测次年1月该农具的销售量为448件 数据与计算过程 误差平方和计算表 月份数 t 实 际 销售量 Yt 一次移动平均数Mt N=3 N=5 预测销售量 误差平方 预测销售量 误差平方 1 423 2 358 3 434 4 445 405 1600 5 527 412 13225 6 429 469 1600 437 64 7 426 467 1681 439 169 8 502 461 1681 452 2500 9 480 452 784 466 196 10 384 469 7225 473 7921 11 427 455 784 446 361 12 446 430 256 444 4 419 448 ? 28836 11215 二次移动平均预测法 一次移动平均法当用来预测一组具有趋势的数据时估计值往往比实际值偏低(或偏高)。 二次移动平均是在对实际值进行一次移动平均的基础上，再进行一次移动平均。 二次移动平均建立直线趋势(Xt+T=at+btT)预测模型 二次移动平均预测公式推导 案例 已知某商品连续12个月的市场需求量如表所示，试用二次移动平均法预测5个月后的市场需求量。（取N=5） 分别计算当前时期t=12的一次移动平均数Mt（1）和 二次移动平均数Mt（2）。 得：M12（1）=74， M12（2）=68 案例数据 某商品市场需求量 单位：千吨 时期数t 需求量Yt 一次移动平均数 二次移动平均数 1 50 　 　 2 50 　 　 3 53 　 　 4 56 　 　 5 59 54 　 6 62 56 　 7 65 59 　 8 6