时间序列预测模型-.docx

时间序列预测模型1、时间序列预报模型时间序列是指把某一变量在不同时间上的数值按时间先后顺序排列起来所形成的序列,它的时间单位可以是分、时、日、周、旬、月、季、年等。时间序列模型就是利用时间序列建立的数学模型，它主要被用来对将来进行短期预报，属于趋势预报法。一、简洁一次移动平均预报法例1.某企业1月~11月的销售收入时间序列如下表所示.取n4,试用简洁一次移动平均法预报第12月的销售收入,并计算预报的标准误差.二、加权一次移动平均预报法简洁一次移动平均预报法，是把参加平均的数据在预报中所起的作用同等对待，但参加平均的各期数据所起的作用往往是不同的。为此，需要采纳加权移动平均法进行预报，加权一次移动平均预报法是其中比较简洁的一种。三2、、指数平滑预报法1、一次指数平滑预报法一元线性回来模型*项数n的数值,要依据时间序列的特点而定,不宜过大或过小.n过大会降低移动平均数的敏感性,影响预报的精确性;n过小,移动平均数易受随机变动的影响,难以反映实际趋势.一般取n的大小能包含季节变动和周期变动的时期为好,这样可消除它们的影响.对于没有季节变动和周期变动的时间序列,项数n的取值可取较大的数;假如历史数据的类型呈上升或下降型的进展趋势,则项数n的数值应取较小的数,这样能取得较好的预报效果.1102.71015.1963.9892.7816.4772.0705.1649.8606.9574.6533.8销售收入1110987654321月份t158543、2.7993.61212950.419016.417662.424617.627989.323654.432652.5113.8137.9132.9156.9167.3153.8180.7591.3634.1683.5735.8796.6861.3922.0591.3634.1683.5735.8796.6861.3922.0993.6553.8574.6606.9649.8705.1772.0816.4892.7963.91015.11102.71234567891011销售收入月份t17.0518.1416.8317.2415.5416.1517.6216.41价格观测值87654321时间t解:6.484、17.1891.460.551.101.140.062.130.041.21-0.74-1.051.070.241.46-0.2116.4116.8916.5916.1716.5916.6817.2616.4116.8916.5916.1716.5916.6817.2617.1816.4117.6216.1515.5417.2416.8318.1417.0512345678预报值指数平滑值价格观测值时间t二次指数平滑预报法二次指数平滑预报法是对一次指数平滑值再作一次指数平滑来进行预报的方法,但第t+1期预报值并非第t期的二次指数平滑值,而是采纳以下公式进行预报:二次指数平滑预报法适用于时间序列呈线性增长趋势情5、况下的短期预报.例3仍以例2为例.试用二次指数平滑预报法预报第9个交易日的收盘价1、某商场1~12月份的销售额时间序列数据如下表所示。取试用简洁一次移动平均法和加权一次移动平均法〔取W13，W22，W31〕预报下年一月份〔第13月〕的销售额〔单位：万元〕595352515252515059555349实际销售额121110987654321月份2、一公司某种产品的市场销售量按年改变的时间序列资料如下表，取平滑系数为0.7,初值为前三年数据的平均值,用一次指数平滑法预报其下一年的销售量单位:吨.1866.41501.91249.01124.01089.51085.21103.31121.1874.5销售量2006、520212021202120212000199919981997年度例测16名成年女子的身高与腿长所得数据如下:9593939291888588腿长154153150149147146145143身高102100999896979896腿长164162160159158157156155身高为了讨论这些数据之间的规律性,作散点图。数据大致落在一条直线附近，这说明x〔身高〕与y〔腿长〕之间的关系大致可以看作是直线关系。不过这些点又不都在一条直线上，这说明x和y之间的关系不是确定性关系。*