第7章系统预测2时间序列.pptVIP

7.3时序分析预测法;7.3.1时间序列的概念;7.3.1时间序列的概念;7.3.1时间序列的概念(timeseries);7.3.1时间序列的概念(timeseries);7.3.1时间序列的概念;7.3.1时间序列的概念;7.3.1时间序列的概念(timeseries);7.3.1时间序列的概念;时间序列特征：

趋势性T：总体上持续上升或下降的总变化趋势，其间的变动幅度可能有时不等。

季节性S：以一年为周期，四个季节呈某种周期性，各季节出现波峰和波谷的规律类似。

周期性C：决定于系统内部因素的周期性变化规律，又分短周期、中周期、长周期等几种。

不规则性I：包括突然性和随机性变动两种。;7.3.1时间序列的概念;7.3.1时间序列的概念(timeseries);7.3.1时间序列的概念(timeseries);7.3.1时间序列的概念(timeseries);7.3.1时间序列的概念(timeseries);时间序列特征的识别

设时间序列x1,x2,…,xn，K个自相关系数：

其中;(1)时间序列的随机性识别

自相关系数法：如所有自相关系数都近似为零，表明该时间序列完全由随机数组成。

若计算较多（20）的自相关系数，rk,k=1,2,…,20，当

则有95%的置信度认为所有rk与零无显著差异，因而认为该时间序列具有随机性特征。;(1)时间序列的随机性识别

Box和Pierce方法：计算m个自相关系数r1,r2,…,rm(m≥6,n4m)，构造统计量Q为

则当时，诸rk(k=1,2,…,m)与零无显著差异，时间序列有随机性，否则为非随机性。;7.3.1时间序列的概念;(2)时间序列的平稳性识别

随机过程的数学期望和方差取常数

相关函数仅与时间间隔有关，与时间起点无关;(3)时间序列的趋势性识别

单调趋势的识别：计数方法

设时间序列x1,x2,…,xn，每出现一次xjxi(ji),定义为xi的一个逆序。xi的逆序数为xi的出现逆序的总数。于是，时间序列的逆序总数为

于是，统计量

近似成立。其中;(3)时间序列的趋势性识别

如果，则可认为“序列无趋势”，否则认为有趋势（0.05的显著水平上）。

有趋势的条件下：

如A很大，表明时间序列有上升趋势；

如A很小，表明时间序列有下降趋势。

复杂趋势的识别：数据分成若干段，分段用上法识别;(4)时间序列的周期性识别

基于自相关函数，??、谷处

;是根据时序变动的方向和程度进行的外延和类推，用以预测下一时期或以后若干时期可能达到的水平。

平滑预测法

包括移动平均法和指数平滑法两种，其具体是把时间序列作为随机变量，运用算术平均和加权平均的方法做未来趋势的预测。这样得到的趋势线比实际数据点的连线要平滑一些，故称平滑预测法。

趋势外推预测法

根据预测对象历史发展的统计资料，拟合成预先指定的某种时间函数，并用它来描述预测目标的发展趋势。;（1）移动平均法

设时序为x1，x2，……，xn，对其中连续N(?n)个数据点进行算术平均，得t时点的移动平均值，记为Mt，有

当用移动平均法进行超前一个周期预测时，采用移动平均值作为预测值，则有

;[例1]现有某商场1——6月份的销售额资料如下表所

示，试用N=5来进行移动平均，并预测7月和8月的销售额。;移动平均法方法简单，但它一般只对发展变化比较平坦，增长趋势不明显，并且与以往远时期的状况联系不多的时序有效。;移动平均法—别的教材;简单移动平均法;7.3.2平滑预测法——指数平滑法;二次指数平滑法;三次指数平滑;平滑系数?的物理意义：

既描述对过程变化的反应速度：?越大（接近1），表示重视近期数据的作用，对过程变化反应越快；

又描述预测系统对随机误差的修匀能力：?越小（接近0），表示重视离现时更远的历史数据的作用，修匀（滤波）能力越强，但对过程变化的反映越迟钝。;平滑系数?的选择：

如对初始值有疑问，准确性差，?宜取较大值，以体现近期数据作用，降低初值影响；

如外部环境变化较快，则数据可能变化较大，?值宜取大一些，以跟踪过程变化（如取0.3~0.5）；

如原始资料较缺乏，或历史资料的参考价值小，?值宜取大一些；

如时序虽然具有不规则变动，但长期趋势较稳定（如接近某一稳定常数）或变化甚小，?值应较小（0.05~0.2）；

对变化甚小的时序，?值宜取小，使较早观察值亦能反映在平滑值中。;?值的最后确定，一般是选择不同的?，通过对预测结果的评价来实现