时间序列

时间序列应用分析

时间序列数据，如各年度的国内生产总值、人口数量、温湿度、车辆销售数、股票、食品价格（指数）等等都是随时间变化的序列，在日产生活中屡见不鲜。考虑到时间时一直存在的变量，导致时间序列的数据量大且处理难度较大，基于随时间变化的数据模型，一般使用指数平滑预测模型。

时间序列的基本概念

1.时间序列的意义

时间序列数据是指按照时间先后依次排列的观测值所构成的数列，如各年度的国内生产总值、人口数据等。研究时间序列数据模型处理的主要目的是进行数据预测，如预测下一年度的销售额，预测股票价格走势等。

2.时间序列分析中的时间

一般使用t表示时间，可以是年、季、月、周、日，也可以是用户自定义的时间间隔。

3.时间序列的表示

时间序列数列：

4.时间序列的分类

时间序列数据分两大类。
（1）平稳序列：不存在趋势，在某一个固定的水平上随机波动
（2）非平稳序列：包含趋势、季节性、周期性等序列。

5.其它概念

（1）平均发展水平：

（2）增长量：

（3）平均增长量：

（4）发展速度：

（5）平均发展速度：

非平滑时间序列变动的影响因素预测定模型

1.非平滑时间序列变动的影响因素

非平滑时间序列变动影响因素分为4类。
（1）长期趋势T
在一个相当长的时期内，持续向上或向下发展变化的趋势。
（2）季节变动S
在一年内受气候变化、气象环境、节假日、风俗习惯等因素的影响所出现的有规则的波动。季节变动比较显著的行业有农业、交通运输业、旅游业、商业等。
（3）循环变动C
围绕长期趋势的一种高低往复、周而复始的规则性变动，周期多在一年以上。
（4）不规则变动I
剩余的变动，由随机因素引起的非趋势性、非周期性变动。
2.时间序列变动因素的测定模型
将4种因素（长期趋势、季节变动、循环变动、不规则变动）从序列中分离出来，然后按照一定的方式再组合起来，即构成了时间序列变动因素的测定模型。
加法模型：

其中，T、S、C、I均为绝对数。
乘法模型：

其中，Y、T为绝对数，而S、C、I为相对数，一般用百分比表示。

时间序列的预测方法

时间序列的预测方法有很多，一般处理方法如下：
（1）先绘图确定时间序列的类型，再选择适当的预测方法。
（2）平稳序列的预测方法：简单平均法、移动平均法、指数平滑法（1阶，2阶，3阶，…）；
（3）非平稳序列的预测方法：指数平滑法和自回归预测、曲线拟合和回归分析等；特别对于含季节趋势的预测方法包括时间序列分解（利用乘法模型先进行趋势预测，再进行季节变动分析，然后用它们的乘积来进行预测）和季节多元回归模型（利用加法模型把趋势和季节放在一个模型中进行回归分析，得到回归方程，然后利用该方程来进行预测）。

（不会在博客里面敲公式，直接把在word里敲再截图了）

一次指数平滑法（不会在博客里面敲公式，直接把在word里敲再截图了）

二次指数平滑法（不会在博客里面敲公式，直接把在word里敲再截图了）

三次指数平滑法（不会在博客里面敲公式，直接把在word里敲再截图了）

时间序列线性二次移动平均法预测法（不会在博客里面敲公式，直接把在word里敲再截图了）