什么是时间序列预测法?

什么是时间序列预测法?

  一种历史资料延伸预测,也称历史引伸预测法。是以时间数列 所能反映的社会经济现象的发展过程和规律性,进行引伸外推,预测其发展趋势的方法。

  时间序列,也叫时间数列、历史复数或动态数列 。它是将某种统计指标 的 数值,按时间先后顺序排到所形成的数列。时间序列预测法就是通过编制和分析时间序列,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延伸,借 以预测下一段时间或以后若干年内可能达到的水平。其内容包括:收集与整理某种社会现象的历史资料;对这些资料进行检查鉴别,排成数列;分析时间数列,从中 寻找该社会现象随时间变化而变化的规律,得出一定的模式;以此模式去预测该社会现象将来的情况。

 

时间序列预测法的步骤

  第一步 收集历史资料,加以整理,编成时间序列,并根据时间序列绘成统计图 。时间序列分析通常是把各种可能发生作用的因素进行分类,传统的分类方法是按各种因素的特点或影响效果分为四大类:(1)长期趋势;(2)季节变动;(3)循环变动 ;(4)不规则变动。

  第二步 分析时间序列。时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。

  第三步 求时间序列的长期趋势(T)季节变动(s)和不规则变动(I)的值,并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数,使用合适的技术方法求出其值。

  第四步 利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后,就可以利用它来预测未来的长期趋势 值T和季节变动值s,在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y:

  加法模式T+S+I=Y

  乘法模式T×S×I=Y

  如果不规则变动的预测值难以求得,就只求长期趋势 和季节变动的预测值,以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料,则长期趋势的预测值就是时间序列的预测值,即T=Y。但要注意这个预测值只反映现象未来的发展趋势,即使很准确的趋势线 在按时间顺序的观察方面所起的作用,本质上也只是一个平均数 的作用,实际值将围绕着它上下波动。

 

 

时间序列分析基本特征[1]

  1.时间序列分析法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未来。

  时间序列分析,正是根据客观事物发展的连续规律性,运用过去的历史数据,通过统计分析,进一步推测未来的发展趋势。事物的过去会延续到 未来这个假设前提包含两层含义:一是不会发生突然的跳跃变化,是以相对小的步伐前进;二是过去和当前的现象可能表明现在和将来活动的发展变化趋向。这就决 定了在一般情况下,时间序列分析法对于短、近期预测比较显著,但如延伸到更远的将来,就会出现很大的局限性,导致预测值偏离实际较大而使决策失误。

  2.时间序列数据变动存在着规律性与不规律性

  时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。

  (1)趋势性:某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。

  (2)周期性:某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。

  (3)随机性:个别为随机变动,整体呈统计规律。

  (4)综合性:实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动,突出反映趋势性和周期性变动。

 

 

时间序列预测法的分类

  时间序列预测法可用于短期预测中期预测长期预测 。根据对资料分析方法的不同,又可分为:简单序时平均数法加权序时平均数法移动平均法加权移动平均法趋势预测法指数平滑法季节性趋势预测法市场寿命周期预测法 等。

  简单序时平均数法 也称算术平均法 。即把若干历史时期的统计数值作为观察值,求出算术平均数作为下期预测值。这种方法基于下列假设:“过去这样,今后也将这样”,把近期和远期数据等同化和平均化,因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势,就不宜采用此法。

  加权序时平均数法 就是把各个时期的历史数据按近期和远期影响程度进行加权,求出平均值,作为下期预测值。

  简单移动平均法 就是相继移动计算若干时期的算术平均数作为下期预测值。

  加权移动平均法 即将简单移动平均数进行加权计算。在确定权数时,近期观察值的权数应该大些,远期观察值的权数应该小些。

上述几种方法虽然简便,能迅速求出预测值,但由于没有考虑整个社会经济发展的新动向和其他因素的影响,所以准确性较差。应根据新的情况,对预测结果作必要的修正。

  指数平滑法 即根据历史资料的上期实际数和预测值,用指数加权的办法进行预测。此法实质是由内加权移动平均法演变而来的一种方法,优点是只要有上期实际数和上期预测值,就可计算下期的预测值,这样可以节省很多数据和处理数据的时间,减少数据的存储量,方法简便。是国外广泛使用的一种短期预测 方法。

  季节趋势预测法 根据经济事物每年重复出现的周期性季节变动指数,预测其季节性变动趋势。推算季节性指数可采用不同的方法,常用的方法有季(月)别平均法和移动平均法两 种:a.季(月)别平均法。就是把各年度的数值分季(或月)加以平均,除以各年季(或月)的总平均数,得出各季(月)指数。这种方法可以用来分析生产、销售 、原材料储备、预计资金周转 需要量等方面的经济事物的季节性变动;b.移动平均法。即应用移动平均数计算比例求典型季节指数。

  市场寿命周期预测法 就是对产品市场寿命周期的分析研究。例如对处于成长期的产品预测其销售量,最常用的一种方法就是根据统计资料,按时间序列画成曲线图 ,再将曲线外延,即得到未来销售发展趋势。最简单的外延方法是直线外延法,适用于对耐用消费品 的预测。这种方法简单、直观、易于掌握。

内容推荐 预测是作决策、规划之前的必不可少的重要环节 ,是科学决 策、规划的重要前提。混沌时间序列预测是预测领域 内的一个重 要研究方向。基于小波和人工神经网络的混沌时间序 列预测研究 是近几年来的研究热点,受到了特别的重视。小波神 经网络是结 合小波变换理论与人工神经网络的思想而构造的一种 新的神经网 络模型,它结合了小波变换良好的时频局域化性质及 神经网络的 自学习功能,因而具有较强的逼近能力和容错能力。 自从小波神 经网络被提出以后,它在非线性函数或信号逼近、信 号表示和分 类、系统辨识和动态建模、非平稳时间序列预测与分 析等许多领域 中被较为广泛地应用。尽管如此,将小波和人工神经 网络理论应 用到预测还有许多不尽如人意和有待进一步研究的地 方,还有很 大的研究余地。姜爱萍编著的《混沌时间序列的小波 神经网络预测方及其优化研究》对此进行了深入分 析和研究,主要研究了小 波神经网络的构造、学习和优化以及小波神经网络在 混沌时间序 列预测中的应用,构建了适应于混沌时间序列短期预 测的模型,并 将其应用于中国股票价格预测。《混沌时间序列的小 波神经网络预测方及其优化研究》主要研究成果与 创新点分述 如下: (1)用混沌理论及其分析方对非线性时间序 列进行了研 究,为混沌时间序列的短期预测性提供了理论基础。 并以上证综 合指数为例,通过对其进行相空间重构,反映了股指 序列具有吸引 子结构。同时,对股指序列进行了确定性检验,求取 最大李雅普诺 夫指数。根据最大李雅普诺夫指数,确定了上证综合 指数序列具 有混沌特性,这为探求股指变化规律和正确建立其短 期预测模型 奠定了基础。 (2)从小波神经网络构造理论出发,详细介绍 了小波神经网 络的数学基础和性质,对目前广泛应用的四种小波神 经网络的结 构进行了深入分析,根据网络算、逼近细节能力、 包含频域信息 广等方面因素,提出多分辨小波神经网络更适合混沌 时间序列预 测,因为多分辨小波神经网络既能逼近混沌时间序列 的整体变化 趋势,又能捕捉细节的变化。 (3)利用相空间重构技术,把消噪后得到的状 态矢量作为多 分辨小波神经网络的多维输入,构建了多维多分辨小 波神经网络 预测模型,将其应用于混沌时间序列预测,并给出了 实现方。针 对多分辨小波神经网络提出了BP和多分辨率学习组合 算,解 决了传统学习算网络隐层节点数难以确定的问题, 克服了BP 网络单尺度学习算很难学习复杂的时间序列的不足 。以上证综 合指数为例,分别采用具有相同结构的MRA—WNN和 RBF_ VJNN预测模型对股价时序进行预测,仿真结果表明, 多分辨小波 神经网络具有较高的预测精度。 (4)给出了小波神经网络的优化的两类非单调 的方。一类 是非单调的滤子方,并且证明了该算是全局收敛 到一阶临界 点。这个算不同于传统的滤子信赖域方,因为它 使用了试探 步的切向和向的分解;也不同于Gould提出的非单 调方,因为 本书提出的非单调性更为松弛。这使得在不引入二阶 校正步的情 况下改进了滤子方。同时也不再定义支配区域的边 界,而直接 使用面积,这样也相应简化了算。另一类是非单调 的无罚函数 方,该方利用非单调线搜索和对于约束违反度函 数的可行性 恢复阶段来达到目标函数和约束违反度函数之间的平 衡,而非单 调的方在M一1时是等价于单调方的,非单调方 从M步看 来仍然是单调的。当然,在这种方中,也可以采用 试探步分解的 技术,然后利用滤子来做接受性的检验。进一步地, 我们还可以将 非单调的滤子方推广到一般的约束最小化问题之中 ,数值结果 表明这种方也是可执行的且是有效的,并用此两种 方作为训 练小波神经网络的优化新算。 (5)提出将无罚函数方与非线性互补问题相 结合用于小波 神经网络的优化,将互补问题转化为约束优化问题, 应用约束优化 问题的策略和技巧对其求解,融入无罚函数的概念, 并得到了算 的收敛性。同时,其数值结果也表明这类算和同类 的其他方 比起来更为灵活,且具有更好的数值效果。 (6)提出基于修正的SQP滤子方的小波神经网 络的优化, 修正了序列二次规划子问题,使得二次规划子问题在 每个迭代处 总是可解的,同时不用线搜索,提出了修正的滤子方 。另外,引 入积极集策略,减小运算量。当第一次得到的搜索方 向不被滤子 接受时,不是直接舍弃它,而是转而以这个方向为基 础,构造另一 个可行下降的搜索方向。并在此基础上加入了线搜索 ,得到了带 线搜索的滤子方,其数值结果也说明基于修正的 SQP滤子方 的小波神经网络的优化是有效的。 (7)提出基于新的无罚函数方的小波神经网 络的优化,应 用NCP函数把约束优化问题转化为非线性非光滑方程 的求解问 题。运用分裂的思想将其分裂为光滑函数和非光滑函 数之和, 同时将NCP函数的信息融入了滤子对中,改造了原有 的滤子对 的形式,最终得到了算的全局收敛性和局部超线性 收敛性。 另外,为了求解大规模问题,结合积极集策略,提出 了积极集滤 子方,得到了非单调的滤子方简化小波神经网络 优化运算 的目的。 (8)用全局优化方——填充函数研究了小 波神经网络 的优化方,构造了一种新的易于计算的单参数的填 充函数,不 仅证明了新构造的函数具有填充函数的性质,还把填 充函数和 BP算相结合,提出一种训练小波神经网络的混合型 全局优化 新算。 (9)在退火遗传算的基础上提出一个新的自 适应退火策 略,将自适应退火策略用于选择概率的计算以增强算 的收敛性, 在交叉和变异概率的选取上也进行了自适应处理,以 进一步改善 算的稳定性和收敛性,并将此自适应退火遗传算 应用于小波 神经网络权值的优化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

惹不起的程咬金

来都来了,不赏点银子么

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值