时间序列预测新方法及其在电信预测中的应用.pdfVIP

第 l1卷第3期 北京邮电大学学报 (社会科学版) Vo1．11．No．3 2009年6月 JournalofBUPT (SocialSciencesEdition) Jun． 2009 时间序列预测新方法及其在 电信预测 中的应用 姜向荣，梁雄健 (北京邮电大学 经济管理学院，北京 100876) 摘 要：利用时间序列稳定的季节性，建立一种新的时间序列预测模型。即建立季节末总量基于给定资料的条件分布， 利用季节周期内已知的少数观测值来预测周期末总量；在总量预测的基础上进一步预测周期内的为止观测点。经过实证 研究可以看出，该模型对于观测值少的时间序列有很高的预测效率。 关键词：时间序列；预测方法 ；自回归移动平均模型；季节性 ；电信预测 中图分类号：F62 文献标识码：A 文章编号：1008—7729(2009)．03—0402—06 一 、 引 言 时间序列是指随时问顺序出现的一系列观测值序列，日常生产活动和经营活动产生的很多数据都 具有此特征。近年来，计算机软硬件的迅猛发展为数据分析及预测提供了条件和工具，同时信息技术 进步带来的经济繁荣对数据分析的需求也大大增加，因此时间序列分析方法的研究和应用也得到了广 泛重视和发展 。 经济时间序列往往会受到定期的统计期间内季节变动的影响，这种季节变动是 由气候条件、生产 · 周期、模型的转换、节假 日和销售等季节因素造成的。通常，为了更加准确地检测出时间序列中对预 测更有价值的趋势性和循环性，需要在进行经济数据分析前剔除原有时间序列带有的季节性变动因素 的影响，对数据进行季节调整。但是研究发现，在时间序列季节性相对稳定的情况下，在进行时间序 列预测时，不仅不需要进行季节性调整，还可以利用此稳定的季节性建立一个新的总量预测模型—— APM (accumulationpredictingmode1)，大大提高预测精度。该模型的主要原理是在时间序列具有稳定季 节性的前提下，通过建立季节周期 内部分累积量与总累积量之间的函数关系，由周期 内已知的部分观 测值累积量来预测该周期的总量。 二 、文献 回顾 20世纪六七十年代，在工程领域的文献中产生了一系列的时间数列分析技巧，著名的学者有Ka1． man、Kailath、LennartLjung和B．D．O．Anderson。他们所强调的时间数列分析方法与统计学家及经济学 家略有不同。由于工程学的研究资料经常是庞大的，所以他们对于过滤法 (filtering)、平滑法 (smoot． hing)、计算法(algorithm)的发展非常有兴趣。另一方面，统计学家、经济学家则是强调模型的构建 (modelspecification)、参数估计(parameterestimation)和模型的适合度检定 (modelchecking)，其在推导 的过程中仅需要适中的观测值个数，而不像工程学般的庞大。7O年代，Box和Jenkins发表专著…，对 平稳时间序列数据提出了自回归滑动平均模型，以及一整套的建模、估计、检验和控制方法，使时间 序列分析广泛地运用成为可能。 从分析方法来看，时问序列分析沿着两个不同的分析方法、线路发展——频域法和时序法。前者 收稿 日期：2009—04—30 作者简介：姜向荣 (198O一)，女，山东威海人，北京邮电大学经济管理学院2006级博士研究生。 · 42 · 姜向荣等：时间序列预测新方法及其在电信预测中的应用 强调谱密度和时间序列谱分解，大多是对时间序列做非参数描述，较多地应用于工程学和物理学科， 在经济学上也受到一定的重视。后者则利用相关函数为基础建立参数模式来描述时间序列的特征，常用 的参数模型有 自回归移动平均(ARIMA)模型及更复杂的多变量 自回归移动平均模型(vect()rARMA)。 但是Box—Jenkins 法或ARIMA模型法在模型识别时需要 50个以上历史统计数据，这对按月、按 季或按年记录的经济资料往往较难收集。如果数据少于5O，那么由Box．Jenkins法得到的预测模型往往 精度比较