数模笔记-8-时间序列

所谓时间序列，就是将预测对象按照时间的顺序排列起来，构成一个所谓的时间序列，从所构成的这一组时间序列过去的变化规律，推断出今后的变化的可能的趋势，变化规律，就是时间序列预测法。

确定性时间序列分析方法

一个时间序列往往是一下几种的变化形式的叠加或者耦合
（1）长期趋势变动。它是指时间序列朝着一定的方向持续上升或者下降，或者停留在一水平的倾向，反映了客观事物的主要变化趋势。T_t
（2）季节变动。S_t
（3）循环变动。周期为1年以上，非季节因素引起的涨落起伏波形相似的波动。C_t
（4）不规则变动。通常分为随机变动和突然变动。R_t

常用的确定时间序列模型的方法

（1）加法模型：
y_t = T_t + S_t + C_t + R_t
（2）乘法模型：
y_t = T_t · S_t · C_t · R_t
（3）混合模型：
就是以上两种的模型的混合组合。
y_t为观测目标的观测记录。E(R_t) = 0, Var(R_t) 较小。

移动平均法

例题

clc
clear
y = [533.8 574.6 606.9 649.8 705.1 772.0 816.4 892.7 963.9 1015.1 1102.7]
m = length(y)
n = [4 5]
for i = 1 : length(n)
	for j = 1 : m - n(i) + 1
		yhat{i}(j) = sum(y(j : j + n(i) - 1 ))/n(i) % 由于取得n的值不同，所以用到了细胞数组。
	end
	y(12) = yhat{i}(end)
	s(i) = sqrt(mean((y(n(i) + 1 : end) - yhat{i}(1 : end - 1)) .^ 2))
end

指数平滑法

一次移动平均实际上认为最近N期数据对未来的值的影响相同加权都是1/N，但是N期之前的数据对当前数据的预测起不到任何的作用，即加权为0。但是二次及更高次的平均权数不是1/N，而且次数越高，权数的结构越复杂。指数平滑法很有作用。

一次指数平滑法

模型

加权系数的选择

若α = 0， 则 y_t+1hat = y_that, 就是下期的预测值等于本期的预测值。
那么对于α的选择尤为重要
（1）如果时间序列波动变化不大，比较平稳，那么阿尔法取小点0.1-0.5之间，以减少修正的幅度。
（2）若具有迅速明显的变动倾向，阿尔法取大些，0.6-0.8，使得灵敏度高些，以便于跟得上速度的变化。
现实中可以选择多个数据进行比较。

初始值的确定

一般情况下，可以去前10%的数据的均值开确定初始值。

例题

clc
clear
yt = load('doanqi.txt')
n = length(yt)
alpha = [0.2 0.5 0.8]
m = length(alpha)
yhat (1, [1 : m])= (yt(1) + yt(2)) / 2;
for  i = 2 : n
	yhat(i, :) = alpha * yt(i - 1) + (1 - alpha) .* yhat( i - 1, : )
end
yhat
err = sqrt(mean((repmat(yt, 1, m) - yhat) .^ 2 ))

二次指数平滑法

一次指数平滑法，虽然克服了移动平均法的缺点，但是当时间序列的变动出现直线趋势时，用一次指数平滑法就会存在明显的滞后偏差，因此也必须要加以修正再做二次指数平滑，利用滞后偏差的规律建立直线趋势模型，就是所谓的二次指数平滑法。

例题

clc
clear
yt = load('fadian.txt')
n = length(yt); alpja = 0.3; st1(1) = yt(1); st2(1) = yt(1)
for i = 2 : n
	st1(i) = alpha * yt(i) + ( 1 - alpha ) * st1( i - 1 )
	st2(i) = alpha * st1(i) + (1 - alpha) * st2(i - 1)
end
at = 2*st1 - st2
bt = alpha/(1 - alpha)*(st1 - st2)
yhat = at + bt
str = ['C', int2str(n+2)];