第8章 基于历史数据的气温及降水预测.pptx

乘风破浪,世界就在眼前第8章 基于历史数据的气温及降水预测并行计算与大数据研究所 常见的时间序列模型简介 非平稳序列建模示例（气温预测） 情景问题提出及分析8.18.28.38.4 平稳序列建模示例（降水预测）目录8.1 情景问题提出及分析近年来，随着人类工业化进程的不断推进，正加速着全球气候的变化。主要表现为全球气温整体升高，区域降水异常以及海冰、积雪融化等气候异常现象。它们每年对我们带来的人员、财产损失不可估量。如果能提前预测这些天气异常现象，那么将会挽回不小的损失。因此准确预测未来的天气变得尤为重要，在现行的预报方法主要分两种，一种是以完全模拟真实大气中各种物理过程为代表的动力学方法，另一种则是对历史数据进行分析为代表的统计学方法。在大气的动力学模拟中常常需要大量的计算资源，需要借助大规模的并行计算，而统计学方法则需要大量的历史观测数据，但消耗计算资源相对较少。对于前者，模拟的准确性往往取决于初始场质量和对大气中所发生的各种物理过程的代表，而后者的精准度往往是受数据质量与所选统计学模型的好坏。在本章中将采用统计学方法，结合多年历史数据，采用时序模型，对未来的气温及降水做出预测。TEXT add hereTEXT add hereTEXT add hereTEXT add hereTEXT add hereTEXT add here8.2 常见的时间序列模型简介时间序列分析是概率统计学科中应用性较强的分支，广泛应用于金融分析，气象水文，信号处理等众多领域。而对时间序列的建模是分析时间序列的关键。在时间序列分析的发展过程中，提出了许多具有实际价值的模型，由于本书篇幅有限，下面仅对四种常用的传统时间序列模型进行介绍，即AR模型、MA模型、ARMA模型和ARIMA模型。TEXT add hereTEXT add hereTEXT add here8.2 常见的时间序列模型简介1. AR模型模型又称阶自回归（Autoregressive）模型，常记为，它是由数学家耶尔（Yule）为预测市场变化规律在1927年提出的，它常用于对平稳序列的建模。阶AR模型的表达式如下：其中，为常数项，为模型参数，为白噪声序列。模型满足以下条件：?TEXT add hereTEXT add hereTEXT add here8.2 常见的时间序列模型简介1. AR模型对于上式，条件一实际上是限制ε_t为均值为零的白噪声序列，条件二规定了前期序列值与当前白噪声无关。AR模型可以理解为当前时刻值等于过去p个时刻值的线性组合。如果常数项?_0=0，该序列又称中心化的AR(p)模型，形如(8-1)式的式子可引入后移算子进行变换得到中心化的AR(p)模型，如下式所示。对于一个模型，它当前时刻的值总与之前时刻的值存在联系，因此衡量一个样本数据是否适用于该模型需要衡量前后值的联系，对此我们引入自相关系数与偏自相关系数两个概念。?TEXT add hereTEXT add hereTEXT add here8.2 常见的时间序列模型简介自相关系数ACF自相关系数，是衡量一个变量不同时刻之间相关性大小的统计量。设有时间序列，时间间隔之间（）数值的自相关系数计算公式如下所示：其中，为样本容量，为整个序列的样本均值，为整个序列的样本方差。可以证明（详细证明请参阅时间序列分析相关教材），对于平稳模型其自相关系数随时间间隔的增长呈指数下降趋势，但总不为0，称这种性质为拖尾性。不难理解模型具有拖尾性的原因，以模型为例，可以看到表达式中的值仅依赖于前一个时刻的值，但的值又依赖于它的上一个时刻的值，…，这样依次传递下去，之前每一个序列值都对其有影响，这就是其自相关系数总不为0的原因。同时，随着时间推移，这种之前时刻对后续的影响越来越小，表现在自相关系数随着时间间隔的增长呈指数衰减。?TEXT add hereTEXT add hereTEXT add here8.2 常见的时间序列模型简介偏自相关系数PACF自相关系数量化了两个时间间隔之间序列值的相关性大小，但这种相关性是不“纯净的”。当时，两个序列值之间的自相关系数是否还受其中间序列值的影响？对于模型，答案是会的。这是不难理解的，以模型为例，对于时刻的序列值不仅要受时刻的影响，同时也要受到它前一时刻的影响，因此，在计算自相关系数时，这就不是纯粹的与相关性，还掺杂了时刻值的影响。为了消除这种影响，再衡量两者的相关性大小，引入滞后偏自相关系数，它的定义如下：其中，,?TEXT add hereTEXT add hereTEXT add here8.2 常见的时间序列模型简介偏自相关系数PACF可以证明，模型的滞后偏自相关系数等于阶模型的第个模型自回归系数的值，对于此值可以利用Yule-