数据分析方法14-时间序列分析2交通案例.pptx

时间序列分析;16.6 指数平滑法;16.6.1 指数平滑法的基本思想;适用于比较平衡的序列;2) 二次指数平滑法(线性指数平滑法)，包括Brown线性趋势模型和Holt线性趋势模型。;适用于有线性趋势的时间序列;3) 三次(三重) 指数平滑法，包括布朗三次指数平滑;和Winters可加性模型;还有其它几个常用模型： 阻尼趋势模型：适用于处理具有一个逐渐消失的线性趋势成分，但不含季节成分的时间序列数据。它与ARIMA(1,1,2)模型类似。 简单季节模型：适用于处理含有不随时间变化的季节成分，但不含趋势成分的时间序列数据，它与SARIMA(0,1,1) ×(0,1,1)s模型类似。 Winters相乘性模型：适用于处理包含线性趋势成分，且包含一个依赖序列水平的季节成分的时间序列数据。;16.6.2 指数平滑法的基本操作 ;;把待分析的变量选择到因变量框中。 点击条件按钮中选择合适的模型。包括非季节的简单指数平滑模型、霍特模型、温特线性模型及多种季节性模型。;4) 在统计量、图表等子对话框中，选择需要输出的统计量和图表。;16.6.3 指数平滑法的应用举例 ;1. 绘制序列图;简单指数平滑模型输出的统计量;简单指数平滑模型输出的残差自相关函数和偏自相关函数图;简单指数平滑法拟合效果图;2. Brown线性趋势模型;残差自相关函数和偏自相关函数图,具有明显的季节性;Brown线性趋势模型拟合效果图;3. Winters可加性模型;均方根误差,比前两个模型显著减小;残差自相关函数和偏自相关函数图, 季节性趋势已消除;Winters可加性模型拟合效果图,更佳;可进一步用其它平滑模型对其进行拟合。;16.7 ARIMA模型;ARIMA(自回归综合移动平均)是时间序列分析中最为常用的模型，也称之为Box-Jekins模型，或带差分的自回归移动平均模型。 ARIMA模型可以对含有季节成分的时间序列数据进行分析，它包含三个主要的参数—自回归阶数(p)、差分阶数(d)、移动平均阶数(q)，一般模型的形式记为ARIMA(p,d,q)。;16.7.1 ARIMA模型的基本原理;1. 差分;2. ARIMA模型的分类;(1) AR模型;(2) MA模型;(3) ARMA模型;(4) ARIMA(p,d,q)模型;(5) ARIMA(p,d,q)(P,D,Q)s模型;3. 建立ARIMA模型的一般步骤;参数估计和模型诊断。对识别阶段所给初步模型的参数进行估计及假设检验，并对模型的残差序列作诊断分析，以判断模型的合理性。 预测。利用最优模型对序列的未来取值或走势进行预测。 第2和3步过程通常需要不断反馈、逐渐完善的过程。 ;16.7.2 ARIMA模型的基本操作;;阶数设置;加法:只影响单个观测记录的异常值; 移动水平:由数据的水平移动引起的异常值; 创新的:由于噪声变动形成的异常值; 瞬时的:对后续观测的影响程度,按指数水平衰减至0的异常值; 季节性可加的:周期性的影响某些时刻的异常值; 局部趋势:局部的线性异常值; 可加的修补:表示多个连续出现的可加类型的异常值.;5) 在统计量、图表、选项等子对话框中，选择需要输出的统计量和图表。;16.7.3 ARIMA模型的应用举例 ;具体操作;ARIMA(1,1,1)模型描述和模型拟合;一阶自回归和一阶移动平均系数都显著;ARMA(1,1,1)模型残差序列的自相关和偏自相关图;ARIMA(1,1,1)模型的拟合与预测结果;改进：运用考虑周期性的ARIMA(1,1,1)(0,1,1)模型;ARIMA(1,1,1)(0,1,1)模型残差序列的自相关和偏自相关图;ARIMA(1,1,1)(0,1,1) 模型的拟合与预测结果;ARIMA(1,1,1)(0,1,1)模型参数输出;再改进：运用考虑周期性的ARIMA(0,1,1)(0,1,0)模型;拟合效果最佳;16.8 季节分解模型(自学);时间序列是对某一统计指标,按照指定的时间间隔,搜集整理的一组统计数据.一个时间序列可能包含4种变动因素:长期趋势变动、季节性变动、循环性变动和不规则变动。但并不是所有的时间序列都会同时含有这4种变动因素。;16.8.1 季节分解法概述;1. 时间序列的4种成分;循环趋势，记为C。表示序列取值沿着趋势线有如钟摆般循环变动的规律。例如：总体经济指标的循环就是由各个产业的循环组合而成。 不规则趋势，记为R。表示把时间序列中的长期趋势、季节趋势和循环趋势都去除后余下的部分。不规则趋势是随机性的，它发生的原因有自然灾害、天气突变、人为的意外因素等。;2. 季节分解模型的种类;乘法模型。假设时间序列的由4种成分相乘而成的；各成分之间存在着相互依赖的关系。如果以Y表示某个时间序列，它的乘法模型变为：Y=T×C×S×R。 按照乘法模型的假设，季