移动平均比率法

使用移动平均比率法拢共分4步：1.求基准值；2.求比率；3.去噪声；4.拟合趋势线

以下使用论文《移动平均比率法预测门诊诊次》[1]中的案例进行计算讲解（后面有对案例中计算方法的个人理解）

案例展示

现有某医院2003年到2006年一共四年中每个月的门诊量（48个月），数据大致分布如下：

从数学的角度描述：我们现有包含4个周期，每个周期12个采样数据的一共48个数据的数据样本。现有输入：2003年1月起的48个月的门诊量；目标：能够预测出2007年以后每个月的门诊量

求基准值

使用平均移动的计算方法，具体计算流程如下：
由于周期=12，所以采用

上面的t是从第7个月开始的，因为当前t时间步基准值Mt的计算包括了前6个月与后6个月，所以只能计算出从第7个月开始到倒数第7个月的基准值（一共36个:（N-1）*T）。
*如果周期为奇数，则直接计算以当前时间步为中心点的周期内所有数据的平均值作为Mt

求比率St

$$St=yt/Mt$$
*啊对，就这么朴实无华

*图片中的$yt/Tt=St\ast It$中的$It$指的是噪声（包括高斯噪声），$Tt=Mt$。所以接下来去噪！！

去噪声

1.同时间步平均
我们现在得到了36个St，即3个周期的比率（N个周期数据能得到N-1个周期的比率），将不同周期相同时间步的数据进行相加平均，最终得到单周期内每个时间步的比率St（案例中为12个）。
2.同周期内比率微调
单周期内St的期望应该为1（就是对周期内St求平均应该为1），而现在得到的St的期望是12.0443/12。为了达到期望为1的目标，所有St进行等比映射，得到调整系数为0.9963，而后之前得到的12个St都乘以0.9963，就得到了最终一年内每个月的比率St。

拟合趋势线

使用最小二乘法对全部的数据进行线性拟合：

得到：
$y=14226.483+433.592\ast T$，其中T为从2003年1月开始算起的月份序数。
所以最终预测计算方程为：$St\ast (14226.483+433.592\ast T)$

OK！我们现在来算一下2007年1月的门诊量：

1月份的St=0.780516，T=49（从2003年1月开始算起）
所以$y=0.780516\ast (14226.483+433.592\ast 49)=27686.84$

*论文中好像弄错了。。。1到6月的趋势值跟7到12月的趋势值写反了，比率（季节指数）又写对了。。。

思考与分析

移动平均比率法的关键思想：
$y=T\ast S\ast I$,其中T是总趋势，S是比率即周期变动，I是噪声。

求基准值

第一步求总趋势T。
论文中求基准值的方法采用的是一种平均移动法，在其他论文中也有使用其他的方法求这个平均值，上述论文中的方法可做参考。求出的基准值最理想结果是：去除基准值后数据就能呈现周期变化，所以求基准值不一定要使用加权平均，最好是分析工程模型中的数据背景与特性，只有在确定样本数据是由周期数据与线性变化数据相加得到的时候，使用加权平均才能够完美剥离基准值与周期数据，其他时候多少有点偏差。

求比率

第二步去除T，求总趋势上的周期变动S*I。
这一步很简单，但是求比率是建立在你求解的模型符合乘法模型，即T*S，如果你的模型是加法模型：T+S，这种方法是会产生一些偏差的。

去噪声

第三步去除I，求S
这一步分两步，第一步去除不同周期的噪声，第二步去除同周期的噪声（做一些微调）。
第二步中同周期St期望为1，可以理解为保证周期数据是在基准线上下对称浮动。

求趋势线

这一步就是求总体趋势T
论文中使用最小二乘对所有数据进行拟合，但是说实话，总体趋势不是在求基准值时就得到了一种总体趋势吗？个人感觉如果对基准值进行拟合作为总体趋势结果能够更加准确，因为比率都是在基准值的基础上求来的。。。

补充

如果所求模型是加法模型（这种模型比较简单）：$y=T+S+I$
可以将求比率改为求间距，去噪声的第二步，将St的期望改为0就行了。
注意：上述移动平均比率法的周期一定是固定的
[1]王春如,卢爱玲,李薇佳,张蓉.移动平均比率法预测门诊诊次[J].中国病案,2007(12):38-40.