数学建模_时间序列分析模型.pptVIP

2 长江水质污染的发展趋势预测 【CUMCM 2005A】 二、模型假设 （2）假设枯水期、丰水期和水文年中，每个月各类水质的 百分比不变. （1）问题中所给出的数据能客观反映现实情况； 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 三、模型建立 对于各类水，根据它在各个时期所占的比例，通过作图容易观察发现，时间序列是非平稳的，而通过适当差分则会显示出平稳序列的性质，所以我们将建立自回归移动平均模型ARIMA（ ）d代表差分阶数. 在实际建模中，考虑到一期的数据应该与前期的数据有关，所以对差分后的平稳序列我们建立ARMA模型. 在这里，我们不考虑随机干扰项，即 ，因此建立AR模型 仅以预测干流中劣Ⅴ类水所占比例的 ARIMA 模型为例， 详细叙述一下 ARIMA 建模过程。 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 1、数据筛选与处理 根据需要，我们将数据筛选并处理得到干流中劣Ⅴ类水所占 比例的时间序列： ={0，4，-4，0，1.5，-1.5，0，0，0，0，0， 0，0，0，0，0，0，0，6.9，5.1，5.4，7.9， 4.8，13.4，0，0，0，14.2，9.3，3.5}， 2、对序列平稳化 观察序列时序图，发现序列有递增趋势， 因此，我们对序 ，得到序列 列进行一阶差分 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 {0，4，-8，4，1.5，-3，1.5，0，0，0， 0，0，0，0，0，0，0，0，6.9，-1.8，0.3， 2.5，-3.1，8.6，-13.4，0，0，14.2， -4.9，-5.8 } 劣Ⅴ类水所占比例时序图 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 利用公式 计算此序列的自相关系数 可看出， 明显异于0，说明此序列短期内具有很强的相关性 因此可初步认为经1阶差分后的序列平稳，即 1阶差分后的白噪声检验结果如下： 延迟阶数 统计量 P值 6 10.76 0.0960 在检验的显著性水平取为0.05的条件下，P值大于0.05，故该差分后序列可视为白噪声序列 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 3、对序列 进行零均值化 对序列 进行零均值化，得到新序列 ={-0.11667，3.88333，-8.11667，3.88333，1.38333，-3.11667，1.38333，-0.11667， -0.11667，-0.11667，-0.11667，-0.11667， -0.11667，-0.11667，-0.11667，-0.11667， -0.11667，-0.11667，6.78333，-1.91667， 0.18333，2.38333，-3.21667，8.48333， -13.51667，-0.11667，-0.11667，14.08333， -5.01667，-5.91667} 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 4、对序列 求样本自协方差函数与样本偏自相关函数 利用 （ ）得样本自协方差函数估计 利用 ，（ ）计算样本自相关函数 通过 估计样本偏自相关函数，得到 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 当 时， 具有截尾性 用AR（3）模型拟合序列 模型拟合原序列。对残差序列进行检验，得到 ，即用ARIMA（3，1，0） 残差白噪声检验 参数显著性检验 延迟阶数 统计量 P值 待估参数 t统计量 P值 6 3.07 0.3803 AR1.1 -3.16 0.0039 12 3.60 0.9360 AR1.2 -2.75 0.0160 18 6.80 0.9629 AR1.3 -3.30 0.0028 拟合检验统计量的概率P值都显著大于显著性检验水平0.05，可认为该残差序列为白噪声序列， 系数显著性检验显示三个参数均显著。从而ARIMA（3，1，0）模型对该序列建模成功。 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 5、模型参数估计 通过公式 得到与上述参数显著性检验一样的结果： = -3.16， = -2.75， = -3.30， 因此ARIMA（3，1，0）模型即为： 注：利用同样的方法可以建立预测干流中其他两类水、全流域和支流中的三类水所占比例的时间序列分析模型。 2 长江水质污染的发展趋势预测 【CUMCM 2005A】 四、模型预测 利用上述模型，预测干流中劣Ⅴ类水未来10年所占比例，得到： 年份 月份 劣V类水 年份 月份 劣V类水 2005 1-4 0.2111 2006 1-4 0.2292