预测方法之残差灰色模型和乘法季节模型分析.docVIP

预测方法之残差灰色模型和乘法季节模型分析 　　[摘 要]本文采用理论分析与实证分析相结合的方法，探讨了对同一个时间序列建立不同的模型，不同模型的预测效果有无差异，差异的原因。实证分析选取了全国铁路货运量的月度数据，分别建立残差灰色模型和乘法季节模型，比较两个模型的预测效果，并给出预测效果不同的原因分析及相应建议。 　　[关键词]残差灰色模型；乘法季节模型；铁路货运量；预测 　　[DOI]10.13939/j.cnki.zgsc.2015.39.033 　　1 引 言 　　预测是利用观测事物过去以及现在的信息，在认识把握客观规律的基础上，推测和判断事物的未来趋势和水平。观测事物的数据信息往往是以时间序列的形式给出，针对时间序列预测建模的方法较多，有：ARIMA模型，ARCH模型，GARCH模型，灰色模型，乘法季节模型等，对同一个时间序列建模预测，不同的模型预测效果如何，又是因何造成预测效果有好有坏。本文采用理论分析与实证分析相结合的方法，给出上述问题的回答。实证分析选取全国铁路货运量的月度数据，分别建立残差灰色模型和乘法季节模型进行预测，比较这两个模型的预测效果，并给出相应分析及建议。 　　实证分析选用全国铁路货运量的月度数据，是因为铁路货物运输是国民经济的重要支撑，铁路运输与公路、水运、航空、管道等运输方式构成国家现代化的交通运输网。铁路货运量与地方经济发展息息相关，侧面反映着地方经济的繁荣程度，是“克强指数”的构成指标之一。对铁路货运量进行定量分析并做出较为准确的预测，能够为相关部门制定发展规划、采取措施提供可靠的参考依据，有助于提高运输效率，改善服务质量。 　　本文选取2005年1月到2015年4月全国铁路货运量的月度数据，数据来源于中国国家统计局国家数据库，所建的残差灰色模型与乘法季节模型均采用R语言软件编程进行拟合。 　　2 残差灰色GM（1，1）模型 　　2.1 残差灰色模型相关理论 　　残差灰色模型属于灰色模型范畴。灰色模型以部分信息已知，部分信息未知的小样本、贫信息的不确定性系统作为研究对象，通过对数据进行处理，即序列算子或灰色生成，减轻干扰的影响或削弱随机性，挖掘潜在规律，通过建立灰色微分模型，进一步可进行较为科学准确的预测。 　　残差灰色模型是在灰色模型的基础上，利用灰色模型的残差序列，选取残差序列的部分作为新的时间序列，对新序列再次建立灰色模型，修正基于原始序列所建灰色模型的参数值和拟合值，减小相对误差，优化模型的预测效果。考虑选用残差灰色GM（1，1）模型对铁路货运量建模预测。 　　2.2 残差灰色模型建模过程与结果 　　选取2014年7月到2015年1月七个月的数据，首先建立原始序列GM（1，1）模型，得到模型参数估计值及残差序列。R语言程序运行结果如下： 　　GM（1，1）模型参数估计值：发展系数-a=0.0081，灰色作用量u=32973.39。残差序列为：（0，-688.62，-2013.99，-942.56，-2445.36，-3090.41，-3488.72）。 　　然后选取残差序列的后五个残差，对后五个残差的数值取其绝对值得到新残差序列也即（2013.99，942.56，2445.36，3090.41，3488.72），用此新残差序列再建立GM（1，1）模型，基于新残差序列建立的灰色模型对原始序列拟合值进行修正。上述过程R语言程序运行结果如下： 　　残差GM（1，1）参数估计值：发展系数-a1=0.0081，灰色作用量u1=32973.39。基于残差序列建立的灰色模型对原始序列拟合值进行修正的结果：（0.000，0.000，0.000，-22.544，-16.717，-12.396，-9.191）。 　　选取的是原始残差序列的后五个残差数据进行建模，可以对原始序列的后四项拟合值进行修正。修正均减少了原始序列拟合值数值的大小，但减少的幅度并不大。 　　最后在所建立的残差灰色模型基础上进行预测，预测2015年2月到2015年5月四个月的数据。预测结果如下：（35031.11，35314.23，35600.13，35888.70）。 　　实际上，2015年2月到2015年4月的全国铁路货运量是已知的，将预测数据与对应的实际数据相比，误差较大，预测结果并不理想。原因分析将在后文给出。 　　3 乘法季节模型 　　3.1 乘法季节模型相关理论 　　乘法季节模型是在ARIMA模型的基础上，针对具有季节性变化也即周期性变化的时间序列进行建模的方法。在周期内，它提取当前时刻数据与前期数据的关联特征；在周期间，它提取当前时刻数据与前几个周期相同时刻数据的关联特征。将周期内特征和周期间特征结合起来，可以更加全面地描述时间序列的变化规律，因此，使用乘法季节ARIMA模型