时间序列预测模型
1.时间序列分解
2.ARIMA模型
时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。
一个时间序列往往是以下几类变化形式的叠加或耦合:
- 长期趋势(Secular trend,T):长期趋势指现象在较长时期内持续发展变化的一种趋向或状态;
- 季节变动(Seasonal Variation,S):季节变动是由于季节的变化引起的现象发展水平的规则变动;
- 循环波动(Cyclical Variation,C):循环波动是指以若干年为期限,不具严格规则的周期性连续波动;
- 不规则波动(Irregular Variation,I):不规则波动也称随机波动,是指由于众多偶然因素对时间序列造成的影响。
1.时间序列分解模型
可采用加法结构或乘法结构分解时间序列:
-
加法模型的形式如下:
x t = T t + C t + S t + I t x_t=T_t+C_t+S_t+I_t xt=Tt+Ct+St+It
加法模型中的四种成分之间是相互独立的,某种成分的变动并不影响其他成分的变动。其中,对于等式右侧,第一项是趋势项,第二项是周期项,第三项是季节项,第四项是随机项。 -
乘法模型的形式如下:
x t = T t ∗ S t ∗ C t ∗ I t x_t=T_t*S_t*C_t*I_t