[工学]随机数据建模_经验模型、分布检验与预测.ppt

随机数据建模 —— 经验模型 基于要素分解的时间序列预测 分布检验 一、经 验 模 型 在建立数学模型的过程中，经常需要建立变量之间的关系，但往往由于对研究对象的内部机理不甚了解，不能通过合理的假设，或根据物理定律、原理，经过机理分析法而得到。 分析数据散布图 分析数据散布图，可得出变量的关系是： 线性的还是非线性的？ 有无周期？ 呈现何种变化趋势？变化率如何… 选择函数关系形式 形式尽可能简洁，尽可能线性化； 依据实际问题的精度要求，合乎实际规律。 例2 描述氮肥施肥量与土豆产量间的变量关系 可选二次函数 y=b0 + b1 x +b2 x2 合理性分析 初值 极限 趋势 二、模型的参数估计 数学建模的一个重要工作是建立变量间的数学关系式，但公式中几乎总是涉及一些参数。 三、时间序列预测 1、 时间序列的成分 一个时间序列中往往由几种成分组成，通常假定是四种独立的成分——趋势、循环、季节和不规则。 2、 时间序列的预测 2.1 移动平均法 移动平均法是用一组最近的实际数据值来预测时间序列未来值的一种常用方法。它是采用逐项递移的办法分别计算一系列移动的序时平均数．形成一个新的派生序时平均数时间数列。在这个派生的时间数列中，短期的偶然因素引起的变动被削弱，从而呈现出现象在较长时间的基本发展趋势。 根据预测时使用的各元素的权重不同，可以分为简单移动平均和加权移动平均。 简单移动平均法 分析结论如下： 从图中观察到，3年移动平均趋势值放在第二项对应的位置上，7年移动平均趋势值放在第4项对应的位置上。 同时，看到7年移动平均序列比3年移动平均序列表现的趋势更明显，这是因为它的移动间隔更长。 移动间隔越长，可以得到的移动平均值越少，因此，长于7年的移动间隔通常是不可取的，因为在序列的前几项和后几项将失去太多的移动平均值，这可能导致脱离现象发展的真实趋势。 权重的选择 一般而言，最近期的数据最能预示未来的情况，因而权重应大些； 但是，如果数据是季节性的，则权重也应是季节性的。 存在的一些问题 加大移动平均法的期数（即加大N值）会使平滑波动效果更好，但会使预测值对时间序列数据的实际变动更不敏感 ； 移动平均值并不总是很好地反映出趋势，由于是平均值，预测值总是停留在过去的水平上，从而不能预测将来的波动性； 移动平均法还需要有大量过去数据的记录，如果缺少历史数据，移动平均法就无法使用。 2.2 基于要素分解的时间序列预测 例 下述资料是某公司在过去4年中台式电脑的销售量（单位：千台）数据。 计算中心化移动平均数 加权移动平均法 加权移动平均的原理是，时间序列过去各期的数据信息对预测未来趋势值的作用是不一样的。除了以N为周期的周期性变化外，远离预测期的观测值的影响力相对较低，故应给予较低的权重。计算公式如下 式中， N 为期数； At-j+1 为t-j+1期的实际值； Mt+1为t+1期的预测值; ωj为第t-j+1期实际值的权重，且 ∑ωj =1。 指数平滑法 指数平滑法通过对历史时间数列进行逐层平滑计算，从而消除随机因素的影响，识别经济现象基本变化趋势，并以此预测未来。 简单移动平均法是对时间序列过去的近期数据加以同等利用，但不考虑较远期的数据；加权移动平均法给予近期观测值更大的权重； 而指数平滑法则不舍弃过去的观测值，但是仅给予逐渐减弱的影响程度，即随着观测期的远离，赋予逐渐收敛为零的权数。 式中， St为时间t的平滑值； Yt-1为时间t-1的实际值； St-1为时间t-1的预测值； a为平滑常数，取值范围为[0,1]； 指数平滑法 的基本公式是： 常数a取值至关重要 平滑常数决定了平滑水平以及对预测值与实际结果之间差异的响应速度。平滑常数越接近于1，远期实际值对本期平滑值的下降越迅速；平滑常数越接近于0，远期实际值对本期平滑值影响程度的下降越缓慢。 当时间序列相对平稳时，可取较大的；当时间序列波动较大时，应取较小的，以不忽略远期实际值的影响。 图 汽车租赁需求量预测值 时间序列一般有两种的模型：乘法模型和加法模型。 乘法模型： 加法模型： 上式中：Y ——时间序列的数值 T ——趋势成分 S ——季节成分 I ——不规则成分 8.4 4 　 8 3 　 5.9 2 　 6.3 1 4 7.8 4 　 7.5 3 　 5.6 2 　 6 1 3 7.4 4 　 6.8 3 　 5.2 2 　 5.8 1 2 6.5 4 　 6 3 　 4.