吴祖平、朱晓燕、倪静静.ppt

问题四的模型建立与求解 (1)芜湖市空气质量趋势性(Trend)，随时间推移朝着一定方向呈现出持续渐进地上升、下降或平稳的变化或移动。这一变化通常是许多长期因素的结果如下图4所示。 　 (2)芜湖空气质量变化周期性(Cyclic)，时间序列表现为循环于趋势线上方和下方的点序列并持续一年以上的有规则变动。这种因素是因经济多年的周期性变动产生的。如图5所示时间序列表现为交替地出现于一条总体递增地趋势线上下方。 　 请在此输入您的标题 (3)芜湖空气质量变化具有季节性变化(Seasonal variation)，指受季节性影响 ,按一固定周期呈现出的周期波动变化。尽管我们通常将一个时间序列中的季节变化认为是以1年为期的，但是季节因素还可以被用于表示时间长度小于1年的有规则重复形态。数据表现出为期1天的“季节性”变化，即高峰期到达高峰水平，而一天的其他时期车流量较小，从午夜到次日清晨最小。 (4)不规则变化(Irregular movement)，指现象受偶然因素的影响而呈现出的不规则波动。这种因素包括实际时间序列值与考虑了趋势性、周期性、季节性变动的估计值之间的偏差，它用于解释时间序列的随机变动。不规则因素是由短期的未被预测到的以及不重复发现的那些影响时间序列的因素引起的。 　　　　 图６　平稳序列 图７　趋势序列　　 图８　季节型序列 图９　含有季节与趋势因素的序列 模型的应用 指数平滑法是对过去的观测值加权平均进行预测，使第t+1期的预测值等于t期的实际观测值与第t期指数平滑值的加权平均值，即 预测值= (上期值)+ (上次预测值) 一次指数平滑法预测模型为： 其中： ——第t期预测值； ——第t期的实际观测值； ——平滑系数, 且 将 代入式中，可得: 公式中各项系数和为: 当 时, , 系数和。 1,线性趋势预测模型： 用最小二乘法求待定参数、决定于标准方程组： 趋势预测的误差可用线性回归中的估计标准误差来衡量。 公式为： 2,二次曲线趋势预测模型： 根据最小二乘法推导待定参数a、b、c的标准方程组： 3,指数曲线趋势预测模型： 其中a、b为未知数。 在这里必须要把指数先通过变量代换转化为直线趋势才能用最小二乘法来求参数，即：两边取对数 再根据直线形式的常数确定方法，可求得 、 ，最后取反对数得到a、b的值。 从总体上来说，确定性时序分析刻画了序列的主要趋势是直观简单、便于计算，但是比较粗略的，不能严格反映实际的变化规律，为了严格反映时序的变化必须结合随机时序分析法进一步完善对社会经济现象的分析以便进行决策。 图8 芜湖市近两天的空气质量 图9安徽省芜湖市最近时期空气质量 据芜湖新闻网报道，2月份芜湖市区空气质量报告昨日“出炉”。猴年春节期间，芜湖“禁放”成果初现，这一点在2月份的空气质量报告中，也有所体现，数据显示，2月份，芜湖市空气优良率达79.3%，较前两个月大幅提升。 　　芜湖市环保部门发布的数据显示，2月份，市区空气质量指数在46～142之间，首要污染物是PM2.5。空气质量“优”的天数5天；“良”的天数18天，空气优良率达79.3%。而1月份的空气优良率为48.4%，2015年12月，市区空气优良率仅达32.3%。这两个月全月空气质量为“优”的天数都为“0”。 2月份，芜湖市PM10平均浓度72微克/立方米，较2015年同期下降14.64%。其中镜湖区66微克/立方米、鸠江区83微克/立方米、弋江区75微克/立方米、经开区76微克/立方米。 三，模型评价与缺点 模型评价 时间序列预测方法应用广泛，比起其他分析方法具有其自身的优越性： (1)很容易收集数据，时间序列的分析仅仅依赖需要预测变量的过去序列值； (2)确定性时序分析刻画序列的主要趋势，直观简单、便于计算，结合随机时序分析法能反映实际的变化规律。 (3)随机时序分析能揭示出变量的非线性特征，这是回归分析或其他数学模型不容易到的； 在数据处理方面，利用功能强大的Excel电子表格(除特殊说明外)来进行计算和分析，程序简单明确，公式一目了然，节约了预测所发生的费用，预测方法也易于掌握和应用，并且又能达到较高的预测准确性。而且根据芜湖市最近空气质量报告，预测模型基本符合！ 　模型缺点 文章是建立在层次分析方法的基于上上，在一定程度上将层次分析方法的缺点都包括在内了。 (1)不能为决策提供新方案 (2)定量数据较少，定性成分多，不易令人信服 (3)指标过多时数据统计量大，且权重难以确定 (4)特征值和特征向量的精确求法比较复杂 谢谢大家！ * * * * * * * 基于层次分析法下的空