时间序列预测模型

飞飞_123

已于 2024-02-01 22:03:28 修改

阅读量1.1k

点赞数 39

文章标签：数学建模 python 机器学习

于 2024-02-01 11:12:23 首次发布

本文链接：https://blog.csdn.net/m0_73384617/article/details/135934059

版权

1.一次移动平均预测法

设时间序列为 $\{y_{t}\}$ ，取移动平均的项数为n，则第t+1期预测值的计算公式为：

$\widehat{y_{t+1}} ={M_{t}}^{(1)}= \frac{y_t + y_{t-1} + y_{t-2} + \ldots + y_{t-n+1}}{n}=\frac{1}{n}\sum_{j=1}^{n}y_{t-n+j}$

其中， $y_{t}$ 表示第t期实际值， ${M_{t}}^{(1)}$ 表示第t期一次移动平均数， $\widehat{y_{t+1}}$ 表示第t+1期预测值 $(t\geq n)$ 。

预测的标准误差为：

$S=\sqrt{\frac{\sum_{t=n-1}^{N-2}(\widehat{y_{t+1}}-y_{t+1})^{2} }{N-n}}$

一次移动平均预测法是一种简单的预测方法，它没有考虑到时间序列数据的趋势和季节性等特征，误差较大，在建模中并不常用。

例：

t	0	1	2	3	4	5	6	7	8	9	10
$y_{t}$	533.8	574.6	606.9	649.8	705.1	772.0	816.4	892.7	963.9	1015.1	1102.7

计算 $\widehat{y_{11}}$ 及标准误差。

示例代码：

import numpy as np

def calculate_y_hat(y, n, t):
    y_hat = np.mean(y[t-n+1:t+1])
    return y_hat

def calculate_standard_error(y, y_hat, n, t):
    residuals = y[n:t+1] - y_hat
    mean_squared_residuals = np.mean(residuals**2)
    standard_error = np.sqrt(mean_squared_residuals)
    return standard_error

# 示例数据
y = np.array([533.8, 574.6, 606.9, 649.8, 705.1, 772.0, 816.4, 892.7, 963.9, 1015.1,1102.7])
n = 4
t = 10

# 计算第 t+1 期的预测值
y_hat = calculate_y_hat(y, n, t)
print("第 t+1 期的预测值:", y_hat)

# 计算预测的标准误差
result = []
for i in range(n-1, t):
    y_hat = calculate_y_hat(y, n, i)
    result.append(y_hat)
standard_error = calculate_standard_error(y, result, n, t)
print("预测的标准误差:", standard_error)

2.加权一次移动平均预测法

第t+1期预测值的计算公式：

$\widehat{y_{t+1}}=\frac{W_{1}y_{t}+W_{2}y_{t-1}+\cdots+W_{n}y_{t-n+1}}{W_{1}+W_{2}+\cdots+W_{n}}=\frac{\sum_{i=1}^{n}W_{i}y_{t-i+1}}{\sum_{i=1}^{n}W_{i}}$

标准误差的计算方法与一次移动平均预测法相同。

例：在上一个例题的基础上，n=3，W=[3,2,1]。

示例代码：

import numpy as np

def calculate_y_hat(y, W, n, t):
    numerator = np.sum(W[::-1] * y[t-n+1:t+1])
    denominator = np.sum(W)
    y_hat = numerator / denominator
    return y_hat

def calculate_standard_error(y, y_hat, n, t):
    residuals = y[n:t+1] - y_hat
    mean_squared_residuals = np.mean(residuals**2)
    standard_error = np.sqrt(mean_squared_residuals)
    return standard_error

# 示例数据
y = np.array([533.8, 574.6, 606.9, 649.8, 705.1, 772.0, 816.4, 892.7, 963.9, 1015.1,1102.7])
W = np.array([3.0,2.0,1.0])
n = 3
t = 10

# 计算第 t+1 期的预测值
y_hat = calculate_y_hat(y,W, n, t)
print("第 t+1 期的预测值:", y_hat)

# 计算预测的标准误差
result = []
for i in range(n-1, t):
    y_hat = calculate_y_hat(y, W, n, i)
    result.append(y_hat)
standard_error = calculate_standard_error(y, result, n, t)
print("预测的标准误差:", standard_error)