根据上一篇博客中所述,只有时间序列是平稳的,且不是白噪声序列,才有预测的价值
时间序列预测模型的一般表达式是:
x t + 1 = f ( x i ) , i ≤ t x_{t+1}=f(x_i),i\le t xt+1=f(xi),i≤t
本篇内容
- 移动平均预测
- 简单移动平均
- 加权移动平均
- 指数加权移动平均
- ARMA模型预测
- AR模型 自回归模型
- MA模型 移动平均模型
- ARMA 自回归移动平均模型
移动平均预测
最简单的预测方式是以过去数据的平均值进行预测,可以消除一些极端值的干扰,起到平滑的效果。移动平均预测分为:简单移动平均,加权移动平均,指数加权移动平均
简单移动平均
x ^ t + 1 = x t + x t − 1 + x t − 2 + . . . + x t − n + 1 n \hat{x}_{t+1}=\frac{x_t+x_{t-1}+x_{t-2}+...+x_{t-n+1}}{n} x^t+1=nxt+xt−1+xt−2+...+xt−n+1
加权移动平均
x ^ t + 1 = w 0 x t + w 1 x t − 1 + . . . + w n x t − n + 1 \hat{x}_{t+1}=w_0x_t+w_1x_{t-1}+...+w_nx_{t-n+1} x^t+1=w0xt+w1xt−1+...+wnxt−n+1
指数加权移动平均
x ^ t + 1 = α x t + α ( 1 − α ) x t − 1 + α ( 1 − α ) 2 x t − 2 + . . . \hat{x}_{t+1}=\alpha x_t+\alpha(1-\alpha)x_{t-1}+\alpha(1-\alpha)^2 x_{t-2}+... x^t+1=αxt+α(1−α)xt−1+α(1−α)2xt−2+...
x ^ t = α x t − 1 + α ( 1 − α ) x t − 2 + α ( 1 − α ) 2 x t − 3 + . . . \hat{x}_{t}=\alpha x_{t-1}+\alpha(1-\alpha)x_{t-2}+\alpha(1-\alpha)^2 x_{t-3}+... x^t=αxt−1+α(1−α)xt−2+α(1−α)2xt−3+...
结合上面两个公式,可以得到:
x ^ t + 1 = α x t + ( 1 − α ) x t ^ \hat{x}_{t+1}=\alpha x_t+(1-\alpha)\hat{x_t} x^t+1=αxt+(1−α)x