数学建模之时间序列的典型分解模型附Matlab代码

时间序列的典型分解模型

引言

一个时间序列的典型分解式为：
$X_t=m_t+s_t+Y_t$
其中$m_t$为趋势项，$s_t$是已知周期为d的周期项；$Y_t$是随机噪声项。

​ 图1 某地6年交通死亡数据

计算过程

设某周期性数据为$X_{ij}(i=1,2,,n;j=1,2,,12)$​，共有n年数据,
每年有12个数据。现对未来12个月进行预测

(1)提取季节项
$$\begin{array}{l}\text{ 求出第 }i\text{ 年平均值 }{\bar{X}}_i=\frac{{\sum }_{j=1}^{12}{X}_{ij}}{12}(i=1,2,\dots ,n)\\ \text{ 对每个月数据零均值化 }s{t}_{ij}=X_{ij}-{\bar{X}}_i(i=1,2,\dots ,n;j=1,2,\dots ,12)\\ \text{ 则季节项为: }{S}_j=\frac{{\sum }_{i=1}^{n}s{t}_{ij}}{n}(j=1,2,\dots ,12)\end{array}$$

该$S_j$即为季节项,这里T=12。满足
获取去掉季节项后数据
$Y_{ij}=X_{ij}-S_j(i=1,2,,n;j=1,2,,12)$​

将所有数据按行拉直变为一行令$Z=\bar{Y}=(Y_{1,1},Y_{1,2},...,Y_{1,12},Y_{2,1},Y_{2,2},...,Y_{2,12},Y_{n,1},Y_{n,2},...,Y_{n,12})=(z_1,z_2,...,z_{12n})$​

(3)回归拟合
对数据$z_1,z_2,...,z_{12n}$​.采用多项式回归拟合，如一次或二次多项式
如设回归结果为$z_t=a+b.t(t=12,\dots ,12\times n)$

对消除季节项后未来12个月预测值为12+1,212+2…,212。即Yn+1,F7+12…,Y+12
则原始数据中未来12个月预测值为

(4)预测

对消除季节项后末来 12 个月预测值为 ${\hat{z}}_{12n+1},{\hat{z}}_{12n+2},\cdots ,{\hat{z}}_{12n+12}$ 。 即 ${\hat{Y}}_{n+1,1},{\hat{Y}}_{n+1,2},\dots ,{\hat{Y}}_{n+1,12}$
则原始数据中末来 12 个月预测值为:
$${\hat{X}}_{n+1,j}={\hat{Y}}_{n+1,j}+S_j(j=1,2,\dots ,12)$$

实例计算

根据某地6年每年12个月的交通死亡数据。 预测未来一年每个月的交通死亡人数。 数据见表一。

表1某地区交通死亡数据(1973年1月到1978年12月)

月份	1973	1974	1975	1976	1977	1978
1	9007	7750	8162	7717	7792	7836
2	8106	6981	7306	7461	6957	6892
3	8928	8038	8124	7776	7726	7791
4	9137	8422	7870	7925	8106	8129
5	10017	8714	9387	8634	8890	9115
6	10826	9512	9556	8945	9299	9434
7	11317	10120	10093	10078	10625	10484
8	10774	9823	9620	9197	9302	9827
9	9713	8743	8285	8037	8314	9110
10	9938	9129	8433	8488	8850	9070
11	9161	8710	8160	7874	8265	8633
12	8927	8680	8034	8467	8796	9240

​
图2 6年按月统计的数据图

Matlab程序

x=[9007,8106,8928,9137,10017,10826,11317,10744,9713,9938,9161,8927,...
7750,6981,8038,8422,8714,9512,10120,9823,8743,9129,8710,8680,...
8162,7306,8124,7870,9387,9556,10093,9620,8285,8433,8160,8034,...
7717,7461,7776,7925,8634,8945,10078,9179,8037,8488,7874,8647,...
7792,6957,7726,8106,8890,9299,10625,9302,8314,8850,8265,8796,...
7836,6892,7791,8129,9115,9434,10484,9827,9110,9070,8633,9240];
D=[9007,8106,8928,9137,10017,10826,11317,10744,9713,9938,9161,8927;
7750,6981,8038,8422,8714,9512,10120,9823,8743,9129,8710,8680;
8162,7306,8124,7870,9387,9556,10093,9620,8285,8433,8160,8034;
7717,7461,7776,7925,8634,8945,10078,9179,8037,8488,7874,8647;
7792,6957,7726,8106,8890,9299,10625,9302,8314,8850,8265,8796;
7836,6892,7791,8129,9115,9434,10484,9827,9110,9070,8633,9240];
aver=mean(D');
st=zeros(6,12);
for i=1:6
for j=1:12
st(i,j)=D(i,j)-aver(i);
end
end
NST=zeros(1,12);
nst=sum(st)/6; %对6年月平均作为st的估计
nx=zeros(72,1);
for i=1:6
for j=1:12
k=(i-1)*12+j; nx(k)=x(k)-nst(j);
end
end
%对消去季节项后数据nx
%进行线性拟合并预测
Y=zeros(72,1);
A=zeros(72,2);
for i=1:72
Y(i)=nx(i);
A(i,1)=1; A(i,2)=i;
end
coef=inv(A'*A)*A'*Y;
py=zeros(1,84);
for i=1:84
py(i)=coef(1)+coef(2)*i;
end  
subplot(2,1,1);
plot(1:72,nx,1:72,py(1:72));
xx=zeros(1,84);
for i=1:7
for j=1:12
k=(i-1)*12+j;
xx(k)=py(k)+nst(j); %预测各月数值
end
end
subplot(2,1,2);
plot(1:72,x,'*',1:84,xx);