时间序列分析-建模与预测收集.pdfVIP

建立随机线性模型的标准手法 时间序列分析在工程技术中有重要的作用，常用于做预报、控制等。为建立 其随机线性模型，首先，我们应明白什么是时间序列：时间序列是随机序列，即 参数离散的随机过程。 由于工程中遇到的随机序列的参数经常为时间， 故称随机 序列为随机时间序列，简称时间序列。可以说，时间序列是随时间改变而随机变 化的序列。平稳时间序列是平稳序列，它满足期望为零，且任意两个时刻的相关 函数与时间 t 无关，仅与两个时刻的时间差相关。本文主要介绍平稳时间序列的 随机线性模型的建立。 为建立平稳时间序列的随机线性模型；我们应掌握以下基本知识： 一．基本知识 1）两个重要参数及其性质 k k 0 A：自相关函数 ρ =r /r 自相关函数刻划了任意两个时刻之间的关系。 B: 偏相关函数 φkk 偏相关函数刻划了平稳序列任意一个长 k ＋ 1 的片段在中间量固定的条件下， 两端的线性密切程度。 与他们相关的性质有：拖尾性和截尾性。 拖尾性：指它们随 k 无限增长以负指数的速度趋向于 0，其图像像拖一条尾巴。 截尾性：指它们在 kp 或 kq 后，其值变为零，其图像像截断了的尾巴一样。 2 ）平稳时间序列的线性随机模型的三种重要形式 { a t } 为白噪声。这三种形式可以描述如下： A ：AR （p）自回归模型 t 1 t-1 2 t-2 p t-p t ω - φ ω - φ ω - , - φ ω =a AR （p）模型有 p＋2 参数刻画 ; B: MA(q) 滑动平均模型 t t 1 t-1 2 t-2 q t-q ω = a – θa – θ a - , - θa 哈尔滨工业大学课程设计（论文） MA(q)模型有 q＋2 参数刻画 ; C: ARMA(p,q) 混和模型 t 1 t-1 2 t-2 p t-p t 1 t-1 2 t-2 q t-q ω - φ ω - φ ω - , - φ ω = a – θa – θa - , - θ a ARMA(p,q) 混和模型有 p＋q＋3 参数刻画； 其实，我们可以把 AR(p) 和 MA(q) 模型看成 APMA(p,q) 的两种特例。 3）三种形式和两个重要参数的关系 三种 model 和两个重要参数的关系有如下表的关系 ： model function AR(p) MA(q) ARMA(p,q) k ρ 拖尾 k=q 处截尾 拖尾 kk φ k=q 处截尾 拖尾 拖尾 依据上表，我们可以跟据 ρk 和 φkk 判别模型类别。 二．建模 掌握上述基本知识后， 下面我们来看看具体如何建立平稳时间序列的随机线 性模型。此过程可以分为五步，具体如下： 1． 对一个时间序列作 n 次测量得到一个样本 Z ，Z ，, ,Z , 一般取 n50； 1 2