问题2：基于SARIMA对物流网络货量预测.pdfVIP

1问题2：基于SARIMA对物流网络货量预测

1.1模型建立与求解

根据附件1-4，请对57个分拣中心未来30天每天及每小时的货量进行预测，本文

采用季节性自回归移动平均模型（SeasonalAutoregressiveMovingAverage，简称

SARIMA模型）是一种统计模型，它结合了时间序列的季节性特征和自回归移动平均

[15]

模型（ARIMA模型）的优点，用于分析和预测具有明显季节性变化的时间序列数据。

季节性ARIMA模型是通过在ARIMA模型中包含额外的季节性项而生成的，其形

式如下：

SARIMAp,d,q,,

()(PDQ)m

mmm

其中，表示周期数（月份数据=12，季度数据=4）

具体表达式如下：

ppqQ

imidmDimi

1−L1−L(1−L)(1−L)y=+1−L1−L

iit0iit

i=1i=1i=1i=1(1)

WN，2

t()

pq

其中，为自回归（AR模型）滞后的阶数，为移动平均（MA模型）滞后的阶

d

数，为差分次数；表示自回归（AR模型）中的相关系数，表示移动平均（AR



ii

i

Li

模型）中的相关系数，表示白噪声序列；表示滞后阶的滞后算子。



t

本文使用SPSS软件进行时间序列分析，时间序列建模器是一个非常有用的工具。

它能够自动化地估计和选择最适合您数据的时间序列模型，从而简化了分析过程并提

高了效率[16-18]。以下是对“时间序列建模器”功能的详细分析和解释：

⚫模型多样性：SPSS的时间序列建模器支持多种模型，包括指数平滑法模型、单变

量自回归积分移动平均值（ARIMA）模型以及多变量ARIMA（或称为转换函数模

型）。这种多样性确保了您可以针对不同的数据特征和需求选择合适的模型。

⚫自动化模型选择：该建模器包含一个专家系统，它能够自动地识别并估计最适合

您的时间序列数据的ARIMA或指数平滑法模型。这意味着您无需通过反复试验来手动

选择最佳模型，从而节省了大量时间和精力。

⚫生成预测值：时间序列建模器不仅能够确定最佳模型，还能生成基于该模型的预

测值。这对于预测