时间序列分析中模式识方法的应用.docVIP

时间序列分析中模式识别方法的应用 摘要：时间序列通常是按时间顺序排列的一系列被观测数据，其观测值按固定的时间间隔采样。时间序列分析(Time eries Analysis)是一种动态数据处理的统计方法。 （1） 其中：，，…，…称为记忆函数（memory function），而所代表的意义即为对的影响程度，当一个系统输入后，的产生是以记忆函数φ作为权数建立起如上式的关系，这类方法一般称为经典方法。 对数据的分析包括建模、模型识别和模型参数估计。这种模型是确定性的，演化的规律由初始条件决定。模型设计可能是一个迭代、重复的过程，也可能是一个长期过程，常常需要推导、实现和选型，最后才能得到与实际相匹配的模型。由这类方法得到的模型的优点是易于理解、分析和实施，但缺点是它必须基于两个假设才能成立，也就是线性和静态性，而实际系统具有很强的非线性特点；同时进行参数估计时必须依赖大量的不间断的时间序列，而实际情况中，经常由于各种原因造成数据遗漏，导致模型精度降低，从而限制了ARIMA模型的应用范围。 常见的时间序列模型有：确定型时间序列模型、线性时间序列模型和非线性时间序列模型等。 2.2 ARIMA模型体系 常用的时间序列分析方法分为平稳时间序列分析和非平稳时间序列分析两大类。平稳时间序列模型包括AR模型、MA模型、ARMA模型三类;非平稳时间序列模型主要包括ARIMA模型和季节模型(Seasonal Auto Regressive Integrated Moving Average model，简称sARIMA))两类。以上五种模型中，AR(P)模型、MA(q)模型、ARMA(P，q)模型仅适用于平稳时间序列建模和预测;ARIMA模型适用于非平稳的时间序列建模和预测，而且可将AR(P)模型、MA(q)模型、A刊MA(P，q)模型视为ARIMA模型的特例;sARIMA模型适用于具有季节性周期特征的时间序列分析与建模。 3 时间序列分析中模式识别常见方法 时间序列分析的基本思想是根据系统有限长度的运行记录（观测数据），建立能精确反映时间序列中所包含的动态依存关系的数学模型。通常的时间序列有水文信息、股票的股价、交通流量和商店中商品的销售状况等。针对不同种类的时间序列，选择的分析方法也会有所差别。为了揭示所研究时间序列的动态规律性，人们在实践中产生了一系列分析研究时间序列的方法。 （1）确定性时序分析方法。时间序列分析就是设法消除随机性波动、分解季节性变化和拟确定性趋势，主要包括发展水平分析、趋势变化分析、季节变动分析和循环波动测定等方法。 （2）随机性时序分析方法。通过建立随机模型，对随机时间序列进行分析，可以预测未来值，主要包括一元（多元）时序分析、可控（不可控）时序分析等方法。 （3）其他方法。神经网络、遗传算法等都可用于时间序列的预测。由于大量的时间序列是非平稳的，因此探讨多种技术结合来实现时间序列分析是必要的。 3.1 时间序列分析常用方法【6】 3.1.1 移动平均法 设预测序列为……，正整数NT。一次移动平均值计算公式为： （2） 二次移动平均值计算公式为： （3） 当预测目标的基本趋势在某一水平上上下下波动时，可用一次移动平均方法建立预测模型： （4） 它表明最近N期序列值的平均值作为未来各期的预测结果。一般N取值范围：5≤N≤200。当历史序列的基本趋势变化不大且序列中随机变动成分较多时，N的取值应该较大一些。否则N的取值应小一些。在有确定的季节变动周期的资料中，移动平均的项数应取周期长度。选择最佳N值的一个有效方法是，比较若干模型的预测误差。均方预测误差最小者为好。 当预测目标的基本趋势与某一线性模型相吻合时，常用二次移动平均法，但序列同时存在线性趋势与周期波动时，可用趋势移动平均法建立预测模型： （5） 其中： 上述移动平均法在数据处理中常用它作为预处理，消除周期波动（取N为周期长度）和减弱干扰的影响往往是有效的。 3.1.2 指数平滑法 一次移动平均实际上认为最近N期数据对未来值影响相同，都加权1/N；而N期以前的数据对未来值没有影响，加权为0。但是，二次及高次移动平均数的权数却不是1/N，且次数越高，权数的结构越复杂，但永远保持对称的权数，即两端项权数小，中间项权数大，不符合一般系统的动态性。一般说来历史数据对未来值的影响是随时间间隔的增长而递减的。所以，更切合实际的方法应是对各期观测值依时间顺序进行加权作为预测值。指数平滑法可满足这一要求，而且具有简单的递推形式。 设预测序列为……，为加权系数，，一次指数平滑公式为： （6） 假定历史序列无限长，则上式可以写为 （7） 上式表明是全部历史数据的加权平均，加权系数分别为，，，……，