时间序列与预测.ppt

5.进行季节调整（添加原来的时序的季节指数）：单位千台年度季度趋势预测值季节指数含季度成分的预测值517.6170.9327.100627.7650.8386.505237.9131.0938.651748.0161.1439.1647第37页,共43页，星期六，2024年，5月本例讨论的是季度的数据，若以月度为步长，则移动平均的步长n为12，计算的是每月季度指数，其它预测的步骤同上。第38页,共43页，星期六，2024年，5月利用回归分析进行预测用回归分析作为预测工具，可以将想要预测的时间序列值作为因变量。只有时间作为自变量的情形：这是以相关的时序作为自变量，以要预测的时间序列作为因变量的因果预测模型。第39页,共43页，星期六，2024年，5月自回归模型：根据未来时间序列值与过去时间序列值的回归关系来预测未来时间序列值的时间序列模型。第40页,共43页，星期六，2024年，5月作业1.在过去的12个月中，阿拉巴马州的建筑合同值如下：240，350，230，260，280，320，220，310，240，310，240，230(1)利用指数平滑预测移动平均值，其中α为0.2，并将结果与三个月的移动平均预测值比较，问哪一种预测方法更好？(2)问下一个月的平滑预测值为多少？第41页,共43页，星期六，2024年，5月2.某大学过去3年的教材季度销量册书如下：问（1）计算这个时序4个季度的移动平均值和移动平均值中间值；（2）计算四个季度的季节指数；（3）问什么时候的季节指数最大，这样的结果是否合理？解释季度第1年第2年第3年11690180018502940900110032625290029304250023602615第42页,共43页，星期六，2024年，5月第43页,共43页，星期六，2024年，5月1.移动平均法公式：移动平均数＝最近n个数据之和/nn为步长观察以上数据，发现该时序随着时间的推移而发生较平稳的变化。周123456789101112汽油销量172119231816201822201522第5页,共43页，星期六，2024年，5月第6页,共43页，星期六，2024年，5月我们适用移动平均法来预测汽油销量：首先选择移动平均发里面所包含的数据个数，即步长n。我们使用三周的移动平均值来预测第四周的汽油销量。三周移动和576360575454606057三周移动平均192120191818202019预测误差4-3-41040-53误差平方1691610160259与第4周的实际值相比第7页,共43页，星期六，2024年，5月用误差均方来衡量预测方法的精度：均方误差MSE=误差平方和/误差个数=92/9=10.22不同步长的移动平均值对时序的预测精度是不同的，因此步长的选择可以根据精度的高低来确定。第8页,共43页，星期六，2024年，5月2.加权移动平均法采用赋权法：为每一个数据选定不同的权值，然后计算最近的n个数值的加权平均值作为预测值。总得来说，我们对离得较近的数据赋予较大的权重。周123456789101112汽油销量172119231816201822201522第9页,共43页，星期六，2024年，5月第10页,共43页，星期六，2024年，5月周456789101112销售量231816201822201522预测销售量19.3321.3319.8317.8318.3318.3320.3320.3317.83预测误差3.67-3.33-3.832.17-0.333.67-0.33-5.334.17误差平方13.4711.0914.674.710.1113.470.1128.4117.39第11页,共43页，星期六，2024年，5月应用加权移动平均得到的均方误差MSE=103.43/9=11.49与三周平均法相比，用加权移动得到的均方误差MSE较大。当时间序列波动较大时，选择近似相等的权数也许更为合适。第12页,共43页，星期六，2024年，5月第13页,共43页，星期六，2024年，5月3.指数平滑法指数平滑模型：其中，F(t+1)为第t+1期的预测值；Yt为第t期的实际值。α