category21妈妈杯大数据数学建模.docxVIP

分析流程

数据源：

350个品类的库存量-副本-category21.xlsx

算法配置：

算法：时间序列分析ARIMA

变量：时间序列数据：{库存量}；时间项：{月份}

参数：向后预测单位：{3}；参数自动寻优：{是}

分析结果：

时间序列分析（ARIMA）是基于历史数时期据去预测未来时期数据：模型的拟合优度R2为0.0，模型表现较差。未来3期预测结果分别为2334738.777777778、2334738.777777778、2334738.777777778。

分析步骤

1.ARIMA模型要求序列满足平稳性，查看ADF检验结果，根据分析t值，分析其是否可以显著性地拒绝序列不平稳的假设(P0.05)。

2.查看差分前后数据对比图，判断是否平稳（上下波动幅度不大），同时对时间序列进行偏（自相关分析），根据截尾情况估算其p、q值。

3.ARIMA模型要求模型具备纯随机性，即模型残差为白噪声，查看模型检验表，根据Q统计量的P值(P0.05)对模型白噪声进行检验，也可以结合信息准则AIC和BIC值进行分析（越低越好），也可以通过模型残差ACF/PACF图进行分析根据模型参数表，得出模型公式结合时间序列分析图进行综合分析，得到向后预测的阶数结果。

Tips：采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。比如