时间序列模型原理学习总结（初级篇）

时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势 的。一个时间序列往往是以下几类变化形式的叠加或耦合

时间序列预测方法如下：

一、移动平均法（MA）

移动平均法是根据时间序列资料逐渐推移，依次计算包含一定项数的时序平均数， 以反映长期趋势的方法。

当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法，消除这些因素的影响，分析、预测序列的长期趋势。

1.简单移动平均法

移动平均项数的含义：以n个观测序列为一组，向右滑动。

当历史序列的基本趋势变化不大且序列中随机变动成分较多时，N的取值应较大。在有确定的季节变动周期的资料中，移动平均的项数应取周期长度。

选择最佳 N 值的一个有效方法是，比较若干模型的预测误差。预测标准误差最小者为好。

2.加权移动平均法

考虑各期数据的重要性，对近期数据给予较大的权重，是加权移动平均法的基本思想。

需要注意的是，权重的赋予具有一定主观性。可以通过下述方法对预测结果加以修正：

        计算总相对误差，

3.趋势移动平均法（二次移动）

当时间序列出现直线增加或减少的变动趋势，会出现滞后偏差。

因此，需要进行修正，修正的方法是作二次移动平均，利用移动平均滞后偏差的规律来建立直线趋势的预测模型。

        下面讨论如何利用移动平均的滞后偏差建立直线趋势预测模型。 设时间序列从某时期开始具有直线趋势，且认为未来时期也按此直线趋势变化，则可设此直线趋势预测模型为

有一系列推导得，

二、指数平滑法

指数平滑法是对数据加权的一种特定形式，具有简单的递推形式。

指数平滑法根据平滑次数的不同，分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。

指数平滑法涉及到两个参数的选定： 加权系数  ， 初始值

由于指数平滑公式是递推计算公式，所以必须确定初始值 。可以取前 3～5 个数据的算术平均值作为初始值

python实现

指数平滑方法(一次指数平滑、二次指数平滑、三次指数平滑)：理论、代码、参数 介绍（全）_r代码线性二次指数平滑-CSDN博客

r语言实现

R - 时间序列数据的预测——指数平滑法（一次、二次、三次）详解附代码与公式_二次指数平滑法-CSDN博客

1.一次指数平滑法

①公式原理

②加权系数的选择

如何选择一般可遵循下列原则：①如果时间序列波动不大，比较平稳，则α应取小一点，如（0.1～0.5）。以减少修正幅度，使预测模型能包含较长时间序列的信息；②如果时间序列具有迅速且明显的变动倾向，则α 应取 大一点，如（0.6～0.8）。使预测模型灵敏度高一些，以便迅速跟上数据的变化。 在实用上，类似移动平均法，多取几个α 值进行试算，看哪个预测误差小，就采用哪个。

③初始值的确定

当时间序列的数据较多，比如在 20 个以上时，初始值对以 后的预测值影响很少，可选用第一期数据为初始值。如果时间序列的数据较少，在 20个以下时，初始值对以后的预测值影响很大，这时，就必须认真研究如何正确确定初始值。一般以最初几期实际值的平均值作为初始值。

2.二次指数平滑法

3.三次指数平滑法（Holt-Winters’ 加法/乘法模型）

当时间序列的变动表现为二次曲线趋势时，则需要用三次指数平滑法。

三次指数平 滑是在二次指数平滑的基础上，再进行一次平滑，其计算公式为

三、差分指数平滑法

核心思想是通过差分的数据变换，使数据适合于指数平滑方法。

1.一阶差分指数平滑法

2.二阶差分指数平滑法

差分方法和指数平滑法的联合运用，除了能克服一次指数平滑法的滞后偏差之外， 对初始值的问题也有显著的改进。

其次， 它拓展了指数平滑法的适用范围，使一些原来需要运用配合直线趋势模型处理的情况可 用这种组合模型来取代。但是，对于指数平滑法存在的加权系数α 的选择问题，以及 只能逐期预测问题，差分指数平滑模型也没有改进。

四、自适应滤波法

先用一组给定的权数来计算一个预测值，然后计算预测误差，再根据预测误差调整权数以减少误差。这样反复进行，直至找出一组“最佳”权数，使误差减少到最低限度，称为自适应滤波法。

 其中重要参数：N, k 值和初始权数的确定

1.原理公式

2.参数确定

①权数个数N的确定：

一般说来，当时间序 列的观测值呈季节变动时， N 应取季节性长度值。如序列以一年为周期进行季节变动 时，若数据是月度的，则取 N = 12 ，若季节是季度的，则取 N = 4 。如果时间序列无 明显的周期变动，则可用自相关系数法来确定，即取 N 为最高自相关系数的滞后时期。

②学习常数k的取值：

k 的取值一般可定为1/ N ，也可以用不同的k 值来进行计算，以确定一个能使 S 最 小的k 值

③初始权数的确定：

如无其它依据，也可用1/ N 作为初始权系数用

优点：一是技术比较简单，可根据预测意图来选择权数 的个数和学习常数，以控制预测。也可以由计算机自动选定。二是它使用了全部历史数 据来寻求最佳权系数，并随数据轨迹的变化而不断更新权数，从而不断改进预测

五、趋势外推预测方法

1.指数曲线法

将数据转化为对数形式，用最小二乘法拟合

2.修正指数曲线法

曲线特点：

当 K 值可预先确定时，采用最小二乘法确定模型中的参数。而当 K 值不能预先确定时，应采用三和法。

三和法求参数：

最终解得

检验方法：

采用前应对数据进行检验，检验方法是看给定数据的逐期增长量的比率是否接近某一常数b，即

                                 

3.Gompertz 曲线

曲线特点：

初期增长缓慢，以后逐渐加快。当达到一定程度后，增长率又逐渐下降。

检验方法：

给定数据的对数逐期增长量的比率是否接近某一常数b

仿照三和法求参数：

4.Logistic 曲线（生长曲线）

曲线特点：

在第一阶段增长的较慢，在发展时期则突然加快， 而到了成熟期又趋减慢，形成一条S形曲线

检验方法：

看给定数据倒数的逐期增长量的比率是否接近某一常数b，即

参数估计方法：