【matlab智能算法二&模型学习】基于时间序列的物价预测模型算法

一，基本概念与模型

1-时间序列相关概念

时间序列的主要目的是进行预测
时间序列主要分为两大类: 平稳序列与非平稳序列
本文重点研究非平稳时间序列

时间序列的预测方法：

2-灰色关联分析模型

1.2.1 灰色关联简介

在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据各因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。可依此来寻找一个指标的变化趋势与各种因素关联程度的大小关系
#### 1.2.2 灰色关联分析步骤

1. 首先找出问题中的参考对象（该对象有m个指标），与n个实际对象（也有m个指标），目的便是根据这n个实际对象各指标与参考对象各指标间的关联度，来分析各实际对象与参考对象之间的关联程度。应用于：
   ①根据与参考对象（通常为最优对象）的关联程度择优选择个体，如对6位教师工作状况进行综合分析并选拔
   ②根据关联度大的实际对象调整改变参考对象的各指标数值，如CPI变化主要受何种因素影响（即本文下面研究）
2. 确认各指标的权重大小（可有可无）
3. 对对象的各指标值进行无量纲处理，使指标值处于同一量度下
   常用的无量纲化方法有均值化法（见（12－3）式—将该对象的各指标求和取平均值，将各指标与指标平均值相除）、初值化法（见（12－4）式–挺怪的）和 变换等．
   
   4. 逐个计算每个实际对象指标序列与参考对象的指标序列对应元素的绝对差值。
   
   5. 计算指标关联度
   分别计算每个十几对象与参考对象对应指标的关联系数。
   
   其中 ρ为分辨系数，0<ρ<1。若ρ越小，关联系数间差异越大，区分能力越强。通常ρ取0.5。这里有遗留问题…
   6. 计算对象关联度
   对各实际对象，各指标与参考对象的各指标关联度 求和并求均值，以反映各实际对象与参考对象的关联关系，并称其为关联序，记为：
   
   7. 如果各指标在综合评价中所起的作用不同，可对关联系数求加权平均值即
      参考博客：灰色关联分析

3-时间序列指数平滑 预测模型

在讲指数平滑预测模型之前，需要对时间序列预测做下系统阐述：
时间序列预测法是分析反映事物在历史上各个时期状况的资料，研究事物是如何从昨天演变到今天的，找出事物随时间而变化的规律，然后据此预测事物的未来发展趋势。其具体预测方法有如下几种：
（1）简单平均法。这种方法假设事物在历史上各个时期的状况对未来的影响程度是相同的，因此在预测时，将反映事物在历史上各个时期状况的数据看得同等重要，用它们的简单算术平均值来作为下一时期的预测值。
这种方法比较简单，但准确程度较低，特别是当时间序列呈某种上升、下降或周期性变化趋势时.预测结果就很不可靠，所以一般只能用于短期预测。
（2）移动平均法。这种方法假设事物在历史上比较远的时期的状况，对未来基本上没有影响，有影响的只是近期的状况。与简单平均法相比，单纯移动平均法虽然反映了时间序列中最新数据的影响，但由于将第t期的一次移动平均值直接作为第t＋1期的预测值，因而当时间序列呈明显的线性趋势时，预测值就会产生滞后偏差。为了消除这种滞后偏差，可运用趋势修正移动平均进行预测。
（3）指数平滑法。同简单平均法一样，指数平滑法也假设事物在历史上各个时期的状况均会影响未来，只是影响程度不同，远期的影响要小些，近期的影响要大些。所以，在预测时给近期的数据以较大的权数。给远期的数据以较小的权数，算出第1期至第t期的加权平均数，作为t＋1期的预测值
而在这些预测法之下，又有细致分类：比如说移动平均法分一次二次多次；指数平滑法也分一次二次多次…但其基本原理与目的都大同小异，产生这种n次xxx法的原因大致如下图所示：

1.3.1 指数平滑的定义

产生背景：指数平滑由布朗提出、他认为时间序列的态势具有稳定性或规则性，所以时间序列可被合理地顺势推延；他认为最近的过去态势，在某种程度上会持续的未来，所以将较大的权数放在最近的数据。

基本原理：指数平滑法是移动平均法中的一种，其特点在于给过去的观测值不一样的权重，即较近期观测值的权数比较远期观测值的权数要大。根据平滑次数不同，指数平滑法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。但它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。

方法应用：指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。

1.3.2 指数平滑类型
初期平滑值：不管什么指数平滑都会有个初值，假如数据大于20项，那么初值就可以认定为第一个数据，或者利用下列公式计算也行；假如数据小于20项，则初始值为：
低于20项一般取3，大于20的看着取就行了。

1. 一次指数平滑----求解水平型曲线

本期预测值等于上期的平滑值，这里可以发现，我们需要手动设置第一期的预测值，即第0期的平滑值。一般取前三次或前两次的实际值求和取平均。
数据变化越大，则设置alpha值越大----alpha 的取值常根据实际与预测的误差值来进行选择。

2. 二次指数平滑----求解斜坡型趋势曲线
   + 一次指数平滑的局限性
   像一次移动平均法一样，一次指数平滑法只适用于水平型历史数据(变化程度不陡)的预测，预测的时间序列为一条直线，不能反映时间序列的趋势和季节性，而不适用于斜坡型线性趋势历史数据的预测。因为对于明显呈斜坡型的历史数据，即使a数值很大（接近于1）仍然会产生较大的系统误差 。
   + 二次指数平滑公式
   在一次指数平滑的基础上再进行二次指数平滑，利用滞后偏差的规律找出曲线的发展方向和发展趋势，然后建立直线趋势预测模型，故称为二次指数平滑法。
   在一次指数平滑的基础上得二次指数平滑 的计算公式为：
   模型整体公式如下：
   + 三次指数平滑—求解非线性趋势预测
   若时间序列的变动呈现出二次曲线（非线性）趋势，则需要采用三次指数平滑法进行预测。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。
   公式如下：
   参考博客：指数平滑法
   补：移动平均法—周期或者不规则变动的曲线
   显然，时间序列的预测模型还有很多值得深入的地方，仍需学习。

二，模型实际应用学习思考

2.1 灰色关联分析模型

问题：CPI主要受哪些商品影响，关联程度如何？

1. 首先，因为本问题主要研究食品对CPI的影响，所以这里先初步分析，将食品价格变动曲线与CPI变动曲线画出来，比较发现，两者曲线变动趋势有一定相似性。
2. 接着，对其进行深入分析，将影响CPI的各对象与CPI的关联程度都求出来，比较一下，看看食品对CPI的影响程度处在什么水平
3. 根据结果发现，食品对CPI的影响低于其他因素。分析得：
4. 接下来可深入分析，在影响食品价格变动的各类食物中，究竟是哪类影响程度更大，并进行原因分析

2.2 时间序列指数平滑 预测模型

遗留问题：

1. 为何选择最优指标为标准，就不用求两级最小值与两级最大值？
2. 无量纲处理的方法为什么是这样的？与一般处理有什么区别？对数据有什么不良影响