R语言大数据分析与挖掘 课件 第六章 时间序列算法.pptx

第6章?时间序列算法

内容要点1、了解时间序列的相关理论。2、掌握R语言中时间序列分析建模的方法。

时间序列算法概述时序指数模型时序ARIMA模型123

时间序列算法概述时间序列是将某种现象的某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列，时间序列是现实的、真实的一组数据，而不是在数理统计中做实验得到的数据。既然是真实的，它就是反映某一现象的统计指标，其背后是某一现象的变化规律。时间序列分析的主要目的是根据已有的历史数据洞悉其规律并对未来进行预测。根据数据的波动可以将数据分为平稳序列和非平稳序列两大类。平稳序列是不存在趋势只存在随机性的序列，非平稳序列则是包含趋势、季节性和随机性的序列。（1）趋势：时间序列在长时间内呈现出来的长期上升或下降的变动。（2）季节性：时间序列在一年内出现的周期性波动，比如，航空业的销售淡季和销售旺季。（3）随机性：时间序列的偶然性波动。时间序列分析是定量预测方法之一，是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它包括一般统计分析（如自相关分析、谱分析等）、统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则侧重研究数据序列的互相依赖关系。后者实际上是对离散指标随机过程的统计分析，所以又可看作随机过程统计的一个组成部分。

时间序列算法概述时间序列（以下简称为时序）分析分为确定性时序分析和随机性变化分析两种。1．确定性时序分析确定性时序分析是为了克服其他因素的影响，或单纯测出某一个确定性因素对序列的影响，或推断出各种确定性因素彼此之间的相互作用关系及它们对序列的综合影响。有些时序具有非常显著的趋势，分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列的发展做出合理的预测。

时间序列算法概述时间序列：确定性时序分析线性拟合模型非线性拟合模型确定性时序分析的常用方法是趋势拟合法和平滑法。（1）趋势拟合法即把时间作为自变量，相应的序列观察值作为因变量，建立序列观察值随时间变化的回归模型的方法，包括线性拟合和非线性拟合。线性拟合的使用场合为长期趋势呈现线性特征的场合，参数估计方法为最小二乘估计，其模型在上：式中，t表示某个观测时间点；a表示常数；b表示自变量系数；It表示随机项；；；表示随机项的均值为0；；；表示随机项的方差等于标准差的平方。非线性拟合的使用场合为长期趋势呈现非线性特征的场合，其参数估计的思想是把能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计。不能转换成线性模型的，就用迭代法进行参数估计，其模型在上:式中，T；；为对原始非线性变量进行转换后的线性变量；a表示常数；b、c表示自变量系数。

时间序列算法概述时间序列：确定性时序分析（2）平滑法是进行趋势分析和预测时常用的一种方法。它是利用修匀技术，削弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化规律的方法。

时间序列算法概述随机性变化分析随机时序模型数学形式（1）一个随机时序可以通过一个自回归移动平均过程生成，即该序列可以由其自身的过去或滞后值及随机扰动项来解释。（2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么就可以通过该序列过去的行为来预测未来。这也正是随机时序模型的优势所在。需要说明的是，上述ARMA(p,q)模型中均未包含常数项。如果包含常数项，则常数项并不影响模型的原有性质，因为通过适当的变形，可以将包含常数项的模型转换为不含常数项的模型。

时间序列算法概述时序建模的基本步骤时序建模的基本步骤如下：（1）用观测、调查、统计、抽样等方法取得被观测系统的时序动态数据。（2）根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。若跳点是正确的观测值，则在建模时应考虑进去，若是反常现象，则应把跳点调整到期望值。拐点则是指时序从上升趋势突然变为下降趋势的点。若存在拐点，则在建模时必须用不同的模型去分段拟合该时序，如采用门限回归模型。（3）时序分析的难点是辨识合适的随机模型进行曲线拟合，即用通用随机模型去拟合时序的观测数据。对于短的或简单的时序，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时序，可用通用ARMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型来进行拟合。当观测值多于50个时一般都采用ARMA模型。对于非平稳时序，则要先将观测到的时序进行差分运算去除趋势和不平稳性，并用ARIMA模型来进行拟合。

时间序列算法概述时序对象将时序对象转化为时序形式是进行时序分析的前提，将数据转化成时序对象后，可进行时序分析、建模与绘图