系统工程-chapter6.ppt

系统预测概述 定性预测技术 回归模型预测 平滑预测法 马尔柯夫模型预测 灰色预测;1、系统预测概述;性质;预测技术分类;预测的原理;预测的程序;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术;2、定性预测技术; 回归预测，是经常使用的一种定量预测方法，是研究变量之间相互关系的数理统计分析方法。 分类：根据自变量个数分为一元回归和多元回归；根据变量之间相互关系分为线形回归和非线性回归。;一元线性回归模型 ;一元线性回归模型 ;一元线性回归模型 ;一元线性回归模型的简易求法;3、回归模型预测;3、回归模型预测;3、回归模型预测; y=a+bx一定程度上反映了y与x之间的统计线性相关关，该关系是否密切，决定了所采用线性预测模型多大程度上可信，即能否反映出所研究系统的变化规律的问题。; Lxx称为x的离差平方和，它反映自变量x波动的程度，Lxx越大，说明x的波动越大，反之越小； Lyy称为y的离差平方和，它反映自变量x波动的程度，Lyy越大，说明y的波动越大，反之越小；;一元线性回归模型 ; t的计算式为; ② F检验。F检验的意义与t检验相同，只不过查F1-a(1,n-2)表确定F的临界值Fa。F的计算公式为; ③ r检验。; 由数理统计知其方差为; 所以; 平滑预测法也称趋势外推法，是简单、适用强的确定型时间序列预测技术，是研究预测对象自身对时间的演变规律及其未来趋势的方法。 用于短期预测较准确，但遇到趋势变化较大、出现转折时，不能用。;（1）一次移动平均法 设时序为x1，x2，……，xn，对其中连续N (?n)个数据点进行算术平均，得t 时点的移动平均值，记为Mt，有 当用移动平均法进行超前一个周期预测时，采用移动平均值作为第(t+T)时的预测值 ，则有 ; [例5-4] 现有某商场1—6月份的销售额资料如下表所 示，试用N=5来进行移动平均，并预测7月和8月的销售额。; 移动平均法方法简单，但它一般只对发展变化比较平坦，增长趋势不明显，并且与以往远时期的状况联系不多的时序有效。;（2）二次移动平均法 二次移动平均模型为 式中at与bt称为平滑系数，其计算公式为;4、平滑预测法;一次指数平滑法 ?为权系数，通常取0.01～0.3； St(1)为t时刻的一次指数平滑值。;二次指数平滑法;预测模型;平滑系数?的物理意义： 描述对过程变化的反应速度： ?越大（接近1），表示重视近期数据的作用，对过程变化反应越快； 也描述预测系统对随机误差的修匀能力：?越小（接近0），表示重视离现时更远的历史数据的作用，修匀（滤波）能力越强，但对过程变化的反映越迟钝。;平滑系数?的选择： 如对初始值有疑问，准确性差，?宜取较大值，以体现近期数据作用，降低初值影响； 如外部环境变化较快，则数据可能变化较大，?值宜取大一些，以跟踪过程变化（如取0.3~0.5）； 如原始资料较缺乏，或历史资料的参考价值小， ?值宜取大一些； 如时序虽然具有不规则变动，但长期趋势较稳定 （如接近某一稳定常数）或变化甚小，?值应较小（0.05~0.2）。;初始值S0(1)确定： （1）当时序原始数据样本较多，?值较大时，可取S0(1)=x1，S0(2)= S0(1)， S0(3）= S0(2)。 （2）当数据点不够多，初始值对预测精度影响较大时，可取开始几个观测值的算术平均值作为S0(1)。;1、Markov过程 状态与状态转换 若对研究对象考虑一系列随机试验，其中每次试验的结果如果出现在有限个两两互斥的事件集 E={E1,E2,…,En} 中，且仅出现其中一个，则称事件Ei∈E为系统的状态。若事件Ei出现，则称系统处在状态Ei。 状态是研究对象随机试验样本空间的一个划分，系统可能在不同状态之间相互转换。 ;Markov过程 现实中有这样一类随机过程，在系统状态转移过程中，系统将来的状态只与现在的状态有关，而与过去的状态无关。这种性质叫做无后效性，符合这种性质的状态转移过程，叫作马尔可夫过程。 时间和状态都离散的一系列马尔可夫过程的整体又称为马尔可夫链。;2、状态转移概率矩阵 设系统共有N个状态，记作S1，S2，…，SN，则用状态向量［S1，S2，…,SN］T表示。设在tn-1时刻系统处在Si状态之下，