数据挖掘——时间序列算法之趋势拟合法

前言

趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法。包括线性拟合和非线性拟合。至于要选择哪个拟合函数，最关键的还是要画出已有数据的曲线分布，然后选择和其耦合度最好的模型。

其他关于时间序列的预测算法，参见我的其他博文：

（1）、平滑法
（2）、趋势拟合法
（3）、组合模型
（4）、AR模型
（5）、MA模型
（6）、ARMA模型
（7）、ARIMA模型
（8）、ARCH模型
（9）、GARCH模型及其衍生模型

线性拟合

线性拟合的使用场合为长期趋势呈现出线形特征的场合（需要画图看出）。参数估计方法为最小二乘估计。可以使用线性回归来处理。

曲线拟合

如果长期趋势呈现出非线性特征，那么我们可以用曲线典线模型来拟合它。对曲线模型进行参数估计时，能转换成线性模型的都转化成线性模型，用线性最小二乘法进行参数估计，实在不能转化成线性模型的，就用迭代法进行参数估计。

可使用如下6个来选择最适合自己数据的曲线：

1、二次型

数学表达：
$$T_t=a+bt+c{t}^2\text{\hspace{1em}(1)}$$
参数a、b、c的求解方法：

$令t_2=t^2，原模型变换为T_t=a+bt+c{t}_2，那么就可以用最小二乘法求解了。$

2、指数型

数学表达：
$$T_t=a{b}^t\text{\hspace{1em}(2)}$$

参数a、b的求解方法：

对原模型求对数:$T_T^{‘}=ln{T}_t$，则$a^{‘}=lna,b^{‘}=lnb$，则原模型可写为：
$$T_t^{,}=a^{,}+b^{,}t$$

那么用线性最小二乘法求出$a^{,}，b^{,}$，再做变换：$a=e^{a^{,}}$，$b=e^{b^{,}}$

3、修正指数型

数学表达：
$$T_t=a+b{c}^t\text{\hspace{1em}(3)}$$

参数a、b的求解方法：
没办法，只能用用迭代法。

4、Gompertz型

数学表达：
$$T_t=e^{a+b{c}^t}\text{\hspace{1em}(4)}$$
参数a、b的求解方法：
没办法，只能用用迭代法。

5、Logistic型

数学表达：
$$T_t=\frac{1}{a+b{c}^t}\text{\hspace{1em}(5)}$$

参数a、b的求解方法：
没办法，只能用用迭代法。