车站列车运行数量时间序列模型分析.docxVIP

下载本文档

7
0
约1.86万字
约 15页
2023-08-22 发布于辽宁
举报
版权申诉

车站列车运行数量时间序列模型分析.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

车站列车运行数量时间序列模型分析通过给定的数据，判断数据的平稳性和季节性，采取相应的措施，消除这些影响，然后利用B-J方法和P-W方法对所选的数据进行分析，进行模型的识别，阶数的识别，参数的拟合和适应性检验，最后再利用所留数据进行预测。根据预测结果对求得的模型进行判断。本文中已知的是某车站1993-1997年各月的列车运行数量60个，单位：千列/千米，具体数据见附录。一、数据的平稳性判断利用matlab画出数据的二维图，如下图（1），程序（1）见附录图（1）由上图我们可以看到数据是不平稳的，因此需要对数据进行平稳化处理，利用一阶差分的方法得到52个数据，再次利用matlab画图，见图（2），程序（2）见附录图（2）有图（2）我们可以初步判断xt序列是平稳的，再对稳化后的数据进行零均值处理，得到的数据见附录。二、利用B-J方法建模（1）模型的识别如果一个时间序列是由某一类模型生成，理论上它就应该具有相应的自相关特征，因而我们可以计算出平稳时间序列的样本自相关函数和样本偏自相关函数，将其特性与不同类型的序列的理论自相关函数和偏自相关函数的特性进行比较，进而初步判断序列xt所适合的模型类型。在求样本的自相关函数和偏自相关函数时，利用了Eviews，得到如下数据 □ate:12/02/13Time:14:39 Sample:1993:011997:06 Includedobservations:52 Autocorrelation PartialCorrelation ACPACQ-StatProb I 1 I 1 1-0.679-0.67925.3860.000 1 1 匚 1 20.325-0.25331.3110.000 1匚 1 || 1 3-0.191-0.17133.3960.000 1 1 匚 1 40.020-0..28033.4190.000 1 1 匚 1 50.011-0.267334260.000 1 11 |1 1 60.079-0..02833.8110.000 1[ 1 1 1 1-0.073-0.00434.1480.000 1 1 11 1 30.038-0.04334.2410.000 1[ 1 11 1 9-0.062-0..08634.4960.000 1 1 1匚 1 100.014-0.12134.5080.000 1[ 1 匚 1 11-0.049-0.27634.6740.000 1 ■1 1 11 120.2170.07637.9680.000 1匚 1 1 13-0.1350.28539.2880.000 1[ 1 11 1 14-0.053-0..05539.4960.000 1 1 ■ 1 150.026-0..19239.5480.001 1[ 1 11 1 16-0.039-0..09739.6670.001 1 □1 1 J1 170.1270.10740.9520.001 1[ 1 1 11 18-0.0640..03341.2910.001 1[ 1 ■ 1 19-0.042-0.19541.4410.002 1 11 11 1 200.065-0..04441.8090.003 1匚 1 11 1 21-0.125-0.08343.2310.003 1 □1 11 1 220.140-0..02646.0740.003 |E 1 11 1 23-0.087-0..06146.8100.003 1 11 !■ 1 240.075-0..21546.3800.004 下面利用IP牛I[(1+2*p「)/N]；判断样本自相关函数的截尾性l=1取M=h..;52]=7,当m=1时，(1+2p2)2/J52=(1+2*0.6792)2/、豆=0.1921可初在pk(k=2,3,4,5,6,7,8)中满足Ip^|0.192的占6/7=85.7%68.3%,因此P^一步截尾，步判断差分后的序列适合MA(1)模型。可初阶数的识别DependentVariable:DATAMethod:LeastSquares□ate:12/02/13Time:14:50Sampie(adjusted):193:011997:04Includedobsen^ations:52afteradjustingendpointsConvergenceachievedafter6iterationsBackcast:OFF(RootsofMAprocesstoolargefb「backcast) Variable Coefficient Std.Errort-Statistic Prob. MA(1) -1.009012 0.015997-63.07572 0.0000 R-squar