数学建模之时间序列模型.docxVIP

. .. 一、时间序列 时间序列分析是当前对动态数据处理的一种有效方法,它不要求考虑影响观测值的各种力学因素,而只是分析这些观测数据的统计规律性。通过对时间序列统计规律性进行分析,构造拟合出这些规律的可能数值,最后给出预测结果的精度分析。 1.1AR模型： 1.1.1 模型的应用 ①年降雨水量的预测， ②城市税收收入的预测。 1.1.2步骤 ①模型识别 令均值为零的时间序列,延迟k周期的自协方差函数是 （1） 用、分别表示自协方差函数的估计值和自相关函数的估计值,则自相关系数为 （2） （3） （4） （1）对p阶AR(P)模型有 （5） 当 ，可通过平移得到中心化序列。 用B表示移位算子，，则AR(P)模型的算子形式： 即 （5）两边同乘后再取均值得： 由协方差函数函数得： （6） 取，再将得到的差分方程两边同时除以得： （7） 由上式（7）可得，应该满足： （8） 解得通解为 （9） 其中可以由p个初值代入计算得到，是特征方程的根。 平稳条件：P个特征根都在单位圆外,即。 令AR(P)最后一个系数为，称为偏自相关函数，则p阶AR模型的偏自相关函数在kp时应截止为零。 计算样本的偏自相关函数估计值为： （10） （2）对MA(q)模型有 当时，模型为中心化模型； 当时，通过可转化为中心化模型。 算子形式为 当特征方程的根都在单位圆外是时间序列可逆。 与（1）AR(P)的分析方法相同，得到MA(q)过程的协方差函数和自相关函数为 （3）对于ARMA(p,q)模型有 时，该模型为中心化模型 时，可通过平移转化为中心化模型 算子形式 其中：是P阶自回归系数多项式； 是q阶移动平均系数多项式。 平稳条件：特征方程的根都在单位圆外， 可逆条件：的根都在单位圆外。 与（1）AR(P)的分析方法相同可得自协方差函数和自相关系数为 其中：Green函数：， 时间序列模型的识别标准准则如下表 由①得出具体模型后，若为AR(P)模型则进行以下步骤 ②参数估计 利用matlab工具箱给出相关参数的估计值。 ③模型检验的检验 用表示拟合模型的残差，设为未知参数的估计，那么残差为 令 其中L表示自相关函数的托尾数。 假设 当 当成立时，所取样本容量n充分大，近似服从分布，其中r表示估计的模型的参数个数。 Ljung-Box的检验统计量为 检验法：根据显著水平α，得α分位数，当时拒绝，认为非白噪声，模型未通过检验；当时，接受，认为是白噪声，模型检验通过。 用matlab中的lbqtest作Ljung-Box检验。 ④AR(P)模型的预报 对时间序列做m(m=1,2,…,q）步预报，用的线性组合表示由序列对未来k+m时刻的随机变量做的估计值。 AR(P)序列的预报递推式为 1.2MA(q)模型 1.2.1模型的应用 ①城市税收收入的预测。 1.2.2步骤 ①模型识别 同AR模型的步骤① ②参数估计 利用matlab工具箱给出相关参数的估计值。 ③模型检验的检验 ④MA(q)模型的预报 对时间序列做m(m=1,2,…,q）步预报，用的线性组合表示由序列对未来k+m时刻的随机变量做的估计值。 令为预报向量，则有 对于MA(q)序列，利用递推预报求和的递推关系，即 从而有 递推初值可取（比较小）。 1.3ARMA(p,q)模型 ①模型识别 同AR模型的步骤① ②参数估计 利用matlab工具箱给出相关参数的估计值。 ③模型检验的检验 ④ARMA(p,q)模型的预报 对时间序列做m(m=1,2,…,q）步预报，用的线性组合表示由序列对未来k+m时刻的随机变量做的估计值。 根据ARMA(p,q)模型有 令预报向量为 则递推预报式为： 式中：满足，第三项当p≤q时为0，在较小的情况下，初值。 1.4 ARIMA(p,d,q)模型 设为非平稳序列，若存在正整数d，使其差分后转化为平稳序列，即 但转化后的序列均值不为0，则为平稳零均值序列，满足 式中为ARIMA(P,d,q)序列，为ARMA(p,q)序列。可由的平均值估计得到。 1.4.1模型的应用 ①广东省住宅市场的预测， ②经济方面的预测， ③出口商品贸易总值的估计。 1.4.2步骤 ①识别模型 计算原始样本的自相关函数和偏相关函数，若是拖尾或者截尾的，则可建立ARMA模型。否则样本不平稳，可做1阶差分，再求样本自相关函数和偏相关函数。重复上述判断，直到判断为平稳序列为止。若计算时出现偏相关函数或自