数学建模系列-预测模型（四）---时间序列模型

上回书说到，预测模型中的插值与拟合已经讲述完毕。现在我们研究的是时间序列模型。

分类
与普通的数值拟合不同，时间序列的拟合需要考虑多种因素，本质上是一种高级的拟和方式。同时也是一种黑箱模型，

小结一下：多参数对多/单结果：神经网络模型
单/复参数-单结果：线性回归模型
参数极度短缺：灰色模型。

定义
可以简单理解为自变量为时间的数据拟合模型。

底层逻辑
承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。即认真考虑时间流逝的规律性。

分析方法
与普通黑箱模型不同，时间序列要考虑的有:
1.长期趋势（这也是所有黑箱模型考虑的）
2,季节变动
3.循环变动（根据某些规律产生）
4。不规则变动（如某些特殊节假日、特殊事件等）、

建模中一般用加法模型和惩罚模型，或者综合两者，底层逻辑就是将这些变动/趋势量化后叠加、

解决方法
1.kalman filter
可以参见上一讲的链接，了解卡尔曼滤波法。

2.时间序列平均水平法
比较简单的算法，通过每年熟知的平均值预测；改进方法为通过每年的增长量加权平均。说句实话意义不是很大，只是列出。也可以改为微分方程预测。

3.指数平滑法
相比于方法2，指数平滑法进一步加强了观察期近期观察值对预测值的作用，对不同时间的观察值所赋予的权数不等，从而加大了近期观察值的权数，使预测值能够迅速反映市场实际的变化。模型中参数a越大，那么近期所占的权重就越大。
S(t)=aY+(1-a)S(t-1).因此该模型需要自己设初始值S(0)和a.

可以用excel等软件直接实现，平滑预测基于的更像是人口模型等的底层逻辑。当一次指数平滑后曲线有线性特征时，考虑二次（当平滑成直线）、三次平滑（当平滑成抛物线）加强稳定性。在一般的数据中勉强够用了。

改进方法：当数据有一个明显上升/下降趋势时，可以加一个趋势补偿函数，由此来弥补原本预测带来的滞后效应。X补偿=bX原+（1-b）（\delta Y）。就是根据最近的趋势以及原本的函数分权相加。如果已经进行过二、三阶平滑，可以考虑留下最近5组数据作为实验组来裁定是否有滞后，

前面三种基本还是线性回归/神经网络/微分方程的思路，对于时间导致的周期性的考虑不大。

4.ARIMA模型
在实际中遇到的时间序列往往有趋势性、季节性等， 本节主要采用差分方法，有时还要用时间序列的变换方法，消除其趋势性、季节性，使得变换后的序列是平稳序列，并用ARMA 序列的方法去研究。

ARMA分为AR和MA
AR(p阶)：X(t)=其余X(n)的加权和+白噪声
MA(q阶)：X(t)=其余X(n)的移动量加权和—+白噪声
差分方法可消除正相关但同时引入负相关
AR项可消除正相关，MA项消除负相关
AR项和MA项作用会相互抵消，通常包含两种要素时可尝试减少某项，避免过拟合。

（1）差分法去掉周期性、趋势性以及随机性

（2）取参数ARIMA(p,d,q)

（3）带入数据求解。

mat代码如下：

clc,clear 
a = text read(<