年份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 年份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。 目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为,隐层单元数选取8个,学习速率为,动态参数,Sigmoid参数,最大迭代次数3000.运行3000次后,样本拟合误差等于。 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights={1,1} inputbias={1} % 当前网络层权值和阈值 layerWeights={2,1} layerbias={2} % 设置训练参数 = 50; = ; = ; = 10000; = 1e-3;
预测分析程序与LL(1)文法 一、预测分析程序 1.带预测分析的PDA： 1）在PDA中加入预测分析之后，可以消除自上而下分析中出现回溯的现象，此时PDA可以改造为： 2）注：a、改造后，整个分析过程都在预测分析程序控制下工作。B、预测分析程序用了一个预测分析表，它是预测分析程序分析时的主要依据。 3）预测分析表：预测分析表是一矩阵M[A,a]，其中行标A是非终结符，列标a是终结符或串结束符；矩阵元素M[A,a]是存放A的一个候选式，指出当前栈顶符号为A 且面临读入符号为a时应选的候选式；或者存放“出错标志”，指出A不该面临读入符号a。 2.预测分析程序算法描述 设栈顶符号为X，读入符号为a，则 1）若X=a=‘#’，则表示识别成功，退出分析程序； 2）若X=a=‘#’，则表示匹配，弹出栈顶符号X，读头前进一格，让读头指向下一个符号，以读入下一个符号；若X是终结符，但X<>a，则调用error处理； 3）若X属于非终结符，则查预测分析表M。若M[X,a]中存放着关于X的产生式，则弹出X，且将相应产生式右部以自右向左的顺序压入栈，在输出带上记下产生式编号； 若M[X,a]中存放着出错标记，则调用相应Error处理。 二、求串α的终结首符集和非终结符A的随符集 a) 求串α的终结首符集First(α) i. 定义：假定α是文法G的一个符号串，α属于星闭包，则First(α)={a | α广 义推导出a......a,a属于终结符} 注：1）若α推导出空串，那么空串就属于First(α)。 2）First(α)集合是α的所有可能推导出的开头终结符或空串所组成的集合。 ii. 算法
目录 一、kalman滤波简介 (1) 二、kalman滤波基本原理 (1) 三、Kalman滤波在运动跟踪中的应用的建模 (3) 四、仿真结果 (6) 1、kalman的滤波效果 (6) 2、简单轨迹的kalman的预测效果 (7) 3、椭圆运动轨迹的预测 (9) 4、往返运动归轨迹的预测 (10) 五、参数的选取 (11) 附录： (13) Matlab程序： (13) C语言程序： (13)
Kalman滤波在运动跟踪中的应用 一、kalman滤波简介 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的一种滤波算法。他把状态空间的概念引入到随机估计理论中，把信号过程视为白噪声作用下的—个线性系统的输出，用状方程来描述这种输入—输出关系，估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法，由于所用的信息都是时域内的量，所以不但可以对平稳的一维随机过程进估计，也可以对非平稳的、多维随机过程进行估汁。 Kalman滤波是一套由计算机实现的实时递推算法．它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以所要估计值(系统的状态或参数)作为滤波器的输出，滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的，根据系统方程和观测方程估计出所有需要处理的信号。所以，Kalman滤波与常规滤波的涵义与方法不同，它实质上是一种最优估计法。 卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法），对于解决很大部分的问题，他是最优，效率最高甚至是最有用的 二、kalman滤波基本原理 Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程，只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。 设一系统所建立的模型为：
青衣分析程序 ?(一）分析程序----指注册会计师通过分析不同财务数据之间以及财务数据与非财务数据之间的内在关系，对财务信息作出评价。 ?分析程序还包括在必要时对识别出的、与其他相关信息不一致或与预期值差异重大的波动或关系进行调查。
青衣?用作风险评估程序----了解被审计单位及其环境（必须实施） ?用作实质性程序?用作总体复核（必须实施）分析性程序的类别 ?以了解被审计单位及其环境并评估财务报表层次和认定层次的重大错报风险（1）帮助注册会计师发现财务报表中的异常变化，或者预期发生而未发生的变化，识别存在潜在重大错报风险的领域（2）帮助注册会计师发现财务状况或盈利能力发生变化的信息和征兆，识别那些表明被审计单位持续经营能力问题的事项?注册会计师可以将分析程序作为实质性程序的一种，单独或结合其他细节测试进行实施，收集充分、适当的审计证据：（1）减少细节测试的工作量，节约审 计成本（2）降低审计风险，使审计工作更有效率和 效果 ? 在审计结束或临近结束时对财务报表进行总体复核， 在已收集的审计证据的基础上，对财务报表整体的合 理性作最终把握，评价财务报表仍然存在重大错报风 险而未被发现的可能性，考虑是否需要追加审计程序， 以便为发表审计意见提供合理基础
青衣?（二）、用作风险评估程序 ? 1.总体要求?注册会计师在实施风险评估程序时，应当运用分析程序，以了解被审计单位及其环境并评估重大错报风险。在这个阶段运用分析程序是强制要求。 ? 2.在风险评估程序中的具体运用 ?注册会计师可以将分析程序与询问、检查和观察程序结合运用，以获取对被审计单位及其环境的了解，识别和评估财务报表层次及具体认定层次的重大错报风险。 ?重点关注关键的账户余额、趋势和财务比率关系等方面，对其形成一个合理的预期，并与被审计单位记录的金额、依据记录金额计算的比率或趋势相比较。 ? 3.风险评估过程中运用的分析程序的特点 ? 风险评估程序中运用分析程序的主要目的----在于识别那些可能表明财务报表存在重大错报风险的异常变化。
编译原理 实 验 报 告 目的要求 1.构造文法的语法分析程序，要求采用预测分析法对输入的字符串进行语法 分析。 2.加深对预测分析LL（1）分析法的理解和掌握。 实验内容 对文法G进行语法分析，文法G如下所示： *0. S→a */ *1. S→^ *2. S→(T) *3. T→SW * *4. W→,SW *5. W→ε; 并对任给的一个输入串进行语法分析检查。程序要求能对输入串进行预测分析，能判别程序是否符合已知的语法规则，如果不符合（编译出错），则输出错误信息。 程序输入/输出示例： 输入:一个以 # 结束的符号串：例如：(a,a)# 输出: 步数分析栈输入串所用规则 (1) #S (a,a))# 2
源程序： //LL(1)预测分析控制程序 #include
第七章季节性时间序列分析方法 由于季节性时间序列在经济生活中大量存在，故将季节时间序列从非平稳序列中抽出来，单独作为一章加以研究，具有较强的现实意义。本章共分四节：简单随机时间序列模型、乘积季节模型、季节型时间序列模型的建立、季节调整方法X-11程序。 本章的学习重点是季节模型的一般形式和建模。 §1 简单随机时序模型 在许多实际问题中，经济时间序列的变化包含很多明显的周期性规律。比如：建筑施工在冬季的月份当中将减少，旅游人数将在夏季达到高峰，等等，这种规律是由于季节性（seasonality）变化或周期性变化所引起的。对于这各时间数列我们可以说，变量同它上一年同一月（季度，周等）的值的关系可能比它同前一月的值的相关更密切。 一、季节性时间序列 1．含义：在一个序列中，若经过S个时间间隔后呈现出相似性，我们说该序列具有以S为周期的周期性特性。具有周期特性的序列就称为季节性时间序列，这里S为周期长度。 注：①在经济领域中，季节性的数据几乎无处不在，在许多场合，我们往往可以从直观的背景及物理变化规律得知季节性的周期，如季度数据（周期为4）、月度数据（周期为12）、周数据（周期为7）；②有的时间序列也可能包含长度不同的若干种周期，如客运量数据（S=12，S=7）2．处理办法： （1）建立组合模型； （1）将原序列分解成S个子序列（Buys-Ballot 1847） 对于这样每一个子序列都可以给它拟合ARIMA模型，同时认为各个序列之间是相互独立的。但是
这种做法不可取，原因有二：（1）S 个子序列事实上并不相互独立，硬性划分这样的子序列不能反映序列{}t x 的总体特征；（2）子序列的划分要求原序列的样本足够大。 启发意义：如果把每一时刻的观察值与上年同期相应的观察值相减，是否能将原序列的周期性变化消除？（或实现平稳化），在经济上，就是考查与前期相比的净增值，用数学语言来描述就是定义季节差分算子。 定义：季节差分可以表示为S t t t S t S t X X X B X W --=-=?=)1(。 二、 随机季节模型 1．含义：随机季节模型，是对季节性随机序列中不同周期的同一周期点之间的相关关系的一种拟合。 AR （1）：t t S t S t t e W B e W W =-?+=-)1(11??，可以还原为：t t S S e X B =?-)1(1?。 MA （1）：t S t S t t t e B W e e W )1(11θθ-=?-=-，可以还原为：t S t S e B X )1(1θ-=?。 2．形式：广而言之，季节型模型的ARMA 表达形式为 t S t S e B V W B U )()(= （1） 这里，?? ? ??----=----=?=qS q S S S pS P S S S t d S t B V B V B V B V B U B U B U B U X W ΛΛ2212211)(1)()(平稳。 注：（1）残差t e 的内容；（2）残差t e 的性质。 §2 乘积季节模型 一、 乘积季节模型的一般形式 由于t e 不独立，不妨设),,(~m d n ARIMA e t ，则有 t t d a B e B )()(Θ=?φ （2） 式中，t a 为白噪声；n n B B B B ???φ----=Λ22111)(；m m B B B B θθθ----=ΘΛ22111)(。 在（1）式两端同乘d B ?)(φ，可得： t S t d S t D S d S t d S a B B V e B B V X B U B W B U B )()()()()()()()(Θ=?=??=?φφφ （3） 注：（1）这里t D S S X B U ?)(表示不同周期的同一周期点上的相关关系；t d X B ?)(φ则表示同一周期内不同周期点上的相关关系。二者的结合就能同时刻划两个因素的作用，仿佛是显像管中的电子扫
2012年河南科技大学数学建模第二次模拟训练 承诺书 我们仔细阅读了数学建模竞赛选拔的规则. 我们完全明白，在做题期间不能以任何方式（包括电话、电子邮件、网上咨 询等）与队外的任何人研究、讨论与选拔题有关的问题。 我们知道，抄袭别人的成果是违反选拔规则的, 如果引用别人的成果或其他 公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正 文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守选拔规则，以保证选拔的公正、公平性。如有违反 选拔规则的行为，我们将受到严肃处理。 我们选择的题号是（从A/B/C/D中选择一项填写）： B 队员签名：1. 2. 3. 日期： 2012 年月--日
2012年河南科技大学数学建模第二次模拟 编号专用页 评阅编号（评阅前进行编号）：
B 题产品销量预测 摘要 对产品销售量的预测，无论是对于整体掌控市场的发育与成长态势的政策制定者，还是对于研究市场行情以制定营销策略的厂商而言，都具有极其重要的作用。 本文针对市场上新产品进入市场的销量预测的实际问题，确定模型应有的变量，做出一般的假设并确定约束条件，从而建立有效的模型，以更好的解决新产品进入市场的销量预测问题。 对于问题一，经过分析可设() =dx kx t dt ，从而建立简单的Malthus 模型，很 好地解决了产品销售量的预测问题。 对于问题二，针对市场中存在市场容量N 这一约束条件，又有 =k[N-x(t)]dx dt ，则可建立阻滞增长模型，即可得到产品的销售量在一定时间内迅速增加，达到一定时期后销售量开始趋于稳定。 对于问题三，综合考虑各个影响产品销售量的因素，通过筛选和忽略微小因素，主要考虑产品价格、产品广告投入、消费者习惯等因素，并引用媒体广告产出的模型，分别建立各因素与销售量的函数关系式，并通过这些关系式的组合，得到一种新的新产品扩散模型。通过该模型与logistic 模型和巴斯新产品扩散模型比较来进行模型检验，并通过Matlab 编程画图可以得出，该模型和两种已知的模型的曲线走向一致。 关键字：销量预测、Malthus 模型、阻滞增长模型、logistic 模型、巴斯新产品 扩散模型、Matlab 、媒体广告产出的模型 一 问题重述 随着我国市场经济的发展，各种产品层出不穷的进入市场，无论是作为整体掌控市场的发育与成长态势的政策制定者，还是研究市场行情以制定营销策略的厂商总是希望在一个新产品进入市场之前能够预测出产品在各种可能的情况下的销售量，研究产品销量预测算法，解决现阶段存在的问题，实现准确判断销量对国家决策者和厂家来说都具有很高现实意义。 有某种新产品要推向市场, t 时刻的销量为),(t x 假设产品性能良好, 每个产品都是一个宣传品, 则t 时刻产品销量()x t 与t 有关。 问题一设t 时刻产品销量的增长率 dx dt 与)(t x 成正比, 预测0t 时的产品销量0()x t ； 问题二设考虑到产品销售存在一定的市场容量N , 统计表明dt dx 与该产品的潜在容量)(t x N -成正比, 预测0t 时的产品销量0()x t ；
、 预测分析算法的设计与实现 程序代码: #include"" #include"" #define MaxRuleNum8 #define MaxVnNum5 #define MaxVtNum5 #define MaxStackDepth20 #define MaxPLength20 #define MaxStLength50 struct pRNode/*产生式右部结构*/ { int rCursor; struct pRNode*next; }; struct pNode { int lCursor; int rLength;/*右部长度*/ struct pRNode*rHead;/*右部结点头指针*/ }; char Vn[MaxVnNum+1];/*非终结符集*/ int vnNum; char Vt[MaxVtNum+1];/*终结符集*/ int vtNum; struct pNode P[MaxRuleNum]; int PNum; char buffer[MaxPLength+1];
char ch; char st[MaxStLength];/*要分析的符号串*/ struct collectNode { int nVt; void ShowAT();/*输出分析表*/ void Identify(char*st); void InitStack(); void ShowStack(); void Pop(); void Push(int r); int main() { char todo,ch; Init(); InputVn(); InputVt(); InputP(); getchar(); FirstFollow(); printf("所得first 集为："); ShowCollect(first); printf("所得follow 集为："); ShowCollect(follow); CreateAT(); ShowAT(); todo='y'; while('y'==todo) { printf("\n 是否继续进行句型分析(y/n):"); todo=getchar(); while('y'!=todo&&'n'!=todo) { printf("\n(y/n)"); todo=getchar(); }
我国民航客货运输的季节性分析 受气候条件、突发事件、工农业生产生活、居民节假日等风俗习惯以及国民经济发展等因素的周期性影响，我国民航运输业客货运量呈现出季节性波动。 本文选取2003年、2005年以及2012年的我国民航客货运量月度统计作为研究对象，从而总结民航客货运的季节性特征。 一．突发事件 2003年民航客运量统计（万人） 通过上面的数据，我们可以看出由于受SARS的影响，2003年3-6月间我国民航旅客运输量大约损失了1290.1万人次。 2003年~2008年民航客运量统计图
纵观2003年到2008年的客运量统计，我国民航客运量在2003年有一个明显的下降。由此可以看出外界干扰因素（突发事件）对航空运输业的影响。 二．气候条件及节假日等风俗习惯 接下来，我们通过对2005、2012年的客货运量进行分析，可以看出气候条件和节假日等风俗习惯对民航客货运量的影响。 2005年民航客货运量 指标月份客运量（亿人）客运周转量 （亿人公里） 货运量（亿吨）货运周转量 （亿吨公里） 1 0.09 136.13 23.29 5.84 2 0.10 145.40 16.81 4.48 3 0.10 151.4 4 25.89 6.72
2012年民航客货运量 1月3月5月7月9月11月 通过上述表格与图形中的数据可以看出，航空旅客运输在一年之中的淡旺季比较明显。航空公司的大部分客运收入于每年的下半年获取，其中7-10 月4 个月的收入占全年总收
入的40%。从月份来看，1-3 月、12 月为淡季，7-10 月为旺季，4-6 月、11 月为平季。这与气候和节假日等因素密切相关：1-3月为元旦以后，春节之前，居民的出行意愿较低；12月气候寒冷，旅客出行的几率也降低，故客运量较少。7-10月是为期两个月的暑假和国庆小长假，是旅客外出旅行的高峰时期，故客运量激增。2-6月、11月虽气候适宜，但没有什么集中的假期，故客运量不高也不低。季节性的特性使航空公司的客运服务收入及盈利水平随着不同的季节而有所不同。 同旅客运输一样，航空货物运输也在时间上存在一定的波动性，根据所在城市的航空货物属性，航空货物在时间上存在周期性和季节性。但是，不同于航空客运市场的波动规律性，货运市场的波动一般很难找到一个通用的规律，各个地方的货运波动性不一，一般取决于某地土特产的丰收期或某类货物的需求高峰期。与旅客运输不同的是，货物运输的不确定性要小很多，因为一般货物运输都是提前订舱，并提前交付航空公司货仓或机场的货仓进行检验和存储，临时变更的可能性较小。 三．国民经济发展
灰色预测模型的Matlab 程序及检验程序 %灰色预测模型程序 clear syms a b; c=[a b]'; A=[46.2 32.6 26.7 23.0 20.0 18.9 17.5 16.3];% 原始序列 B=cumsum(A);%累加n=length(A); for i=1:(n-1) C(i)=(B(i)+B(i+1))/2; end %计算待定参数 D=A; D(1)=[]; D=D'; E=[-C; ones(1,n-1)]; c=inv(E*E')*E*D; c=c'; a=c(1); b=c(2); %预测往后预测5个数据 F=[];F(1)=A(1); for i=2:(n+5) F(i)=(A(1)-b/a)/exp(a*(i-1))+b/a; end G=[];G(1)=A(1); for i=2:(n+5) G(i)=F(i)-F(i-1); end t1=2002:2009; t2=2002:2014; G plot(t1,A,'o',t2,G) %灰色预测模型检验程序 function [ q,c,p ] = checkgm( x0,x1 ) %GM 检验函数 %x0 原始序列
%x1 预测序列 %·返回值 % q –- 相对误差 % c -- ·方差比 % p -- 小误差概率 e0=x0-x1; q=e0/x0; s1=var(x0); %qpa=mean(e0); s2=var(e0); c=s2/s1; len=length(e0); p=0; for i=1:len if(abs(e0(i)) < 0.6745*s1) p=p+1; end end p=p/len; end
10.6 卡尔曼滤波器简介 本节讨论如何从带噪声的测量数据把有用信号提取出来的问题。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内。如前所述，为了消除噪声，可以把 FIR滤波器或IIR滤波器设计成合适的频带滤波器，进行频域滤波。但在许多应用场合，需要进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但所依据的理论,即针对随机信号的估计理论,是自成体系的。人们对随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。最小均方误差是一种常用的比较简单的经典准则。典型的线性估计器是离散时间维纳滤波器与卡尔曼滤波器。 对于平稳时间序列的最小均方误差估计的第一个明确解是维纳在1942年2月首先给出的。当时美国的一个战争研究团体发表了一个秘密文件，其中就包括维纳关于滤波问题的研究工作。这项研究是用于防空火力控制系统的。维纳滤波器是基于最小均方误差准则的估计器。为了寻求维纳滤波器的冲激响应，需要求解著名的维纳-霍夫方程。这种滤波理论所追求的是使均方误差最小的系统最佳冲激响应的明确表达式。这与卡尔曼滤波（Kalman filtering）是很不相同的。卡尔曼滤波所追求的则是使均方误差最小的递推算法。 在维纳进行滤波理论研究并导出维纳-霍夫方程的十年以前，在1931年，维纳和霍夫在数学上就已经得到了这个方程的解。 对于维纳-霍夫方程的研究，20世纪五十年代涌现了大量文章，特别是将维纳滤波推广到非平稳过程的文章甚多，但实用结果却很少。这时正处于卡尔曼滤波问世的前夜。 维纳滤波的困难问题，首先在上世纪五十年代中期确定卫星轨道的问题上遇到了。1958年斯韦尔林（Swerling）首先提出了处理这个问题的递推算法，并且立刻被承认和应用。1960年卡尔曼进行了比斯韦尔林更有意义的工作。他严格地把状态变量的概念引入到最小均方误差估计中来，建立了卡尔曼滤波理论。空间时代的到来推动了这种滤波理论的发展。 维纳滤波与卡尔曼滤波所研究的都是基于最小均方误差准则的估计问题。 维纳滤波理论的不足之处是明显的。在运用的过程中，它必须把用到的全部数据存储起来，而且每一时刻都要通过对这些数据的运算才能得到所需要的各种量的估值。按照这种滤波方法设置的专用计算机的存储量与计算量必然很大，很难进行实时处理。虽经许多科技工作者的努力，在解决非平稳过程的滤波问题时，给出能用的方法为数甚少。到五十年代中期，随着空间技术的发展，这种方法越来越不能满足实际应用的需要，面临了新的挑战。尽管如此，维纳滤波理论在滤波理论中的开拓工作是不容置疑的，维纳在方法论上的创见，仍然影响着后人。 五十年代中期，空间技术飞速发展，要求对卫星轨道进行精确的测量。为此，人们将滤波问题以微分方程表示，提出了一系列适应空间技术应用的精练算法。1960年
季节性时间序列分析方 法 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】
第七章季节性时间序列分析方法 由于季节性时间序列在经济生活中大量存在，故将季节时间序列从非平稳序列中抽出来，单独作为一章加以研究，具有较强的现实意义。本章共分四节：简单随机时间序列模型、乘积季节模型、季节型时间序列模型的建立、季节调整方法X-11程序。 本章的学习重点是季节模型的一般形式和建模。 §1 简单随机时序模型 在许多实际问题中，经济时间序列的变化包含很多明显的周期性规律。比如：建筑施工在冬季的月份当中将减少，旅游人数将在夏季达到高峰，等等，这种规律是由于季节性（seasonality）变化或周期性变化所引起的。对于这各时间数列我们可以说，变量同它上一年同一月（季度，周等）的值的关系可能比它同前一月的值的相关更密切。 一、季节性时间序列 1．含义：在一个序列中，若经过S个时间间隔后呈现出相似性，我们说该序列具有以S为周期的周期性特性。具有周期特性的序列就称为季节性时间序列，这里S为周期长度。 注：①在经济领域中，季节性的数据几乎无处不在，在许多场合，我们往往可以从直观的背景及物理变化规律得知季节性的周期，如季度数据（周期为4）、月度数据（周期为12）、周数据（周期为7）；②有的时间序列也可能包含长度不同的若干种周期，如客运量数据（S=12，S=7） 2．处理办法： （1）建立组合模型； （1）将原序列分解成S个子序列（Buys-Ballot 1847）
对于这样每一个子序列都可以给它拟合ARIMA 模型，同时认为各个序列之间是相互独立的。但是这种做法不可取，原因有二：（1）S 个子序列事实上并不相互独立，硬性划分这样的子序列不能反映序列{}t x 的总体特征；（2）子序列的划分要求原序列的样本足够大。 启发意义：如果把每一时刻的观察值与上年同期相应的观察值相减，是否能将原序列的周期性变化消除（ 或实现平稳化），在经济上，就是考查与前期相比的净增值，用数学语言来描述就是定义季节差分算子。 定义：季节差分可以表示为S t t t S t S t X X X B X W --=-=?=)1(。 二、 随机季节模型 1．含义：随机季节模型，是对季节性随机序列中不同周期的同一周期点之间的相关关系的一种拟合。 AR （1）：t t S t S t t e W B e W W =-?+=-)1(11??，可以还原为：t t S S e X B =?-)1(1?。 MA （1）：t S t S t t t e B W e e W )1(11θθ-=?-=-，可以还原为：t S t S e B X )1(1θ-=?。 2．形式：广而言之，季节型模型的ARMA 表达形式为 t S t S e B V W B U )()(= （1） 这里，?? ? ??----=----=?=qS q S S S pS P S S S t d S t B V B V B V B V B U B U B U B U X W 2212211)(1)()(平稳。 注：（1）残差t e 的内容；（2）残差t e 的性质。 §2 乘积季节模型 一、 乘积季节模型的一般形式 由于t e 不独立，不妨设),,(~m d n ARIMA e t ，则有
一、做散点图： clear all; x1=xlsread('18-24号时空分布.xls',1); x2=xlsread('18-24号时空分布.xls',2); x3=xlsread('18-24号时空分布.xls',3); x4=xlsread('18-24号时空分布.xls',4); x5=xlsread('18-24号时空分布.xls',5); x6=xlsread('18-24号时空分布.xls',6); x7=xlsread('18-24号时空分布.xls',7); for m=1:64 X=[x1(m),x2(m),x3(m),x4(m),x5(m),x6(m),x7(m)];%a-a 交通量一周数据序列 m plot(X,'k-') %hold on figure end xlabel('时间 /天') ylabel('各小区之间交通量 /辆') 4 时间 /天各小区之间交通量 /辆 二：用灰色数列预测：G （1,1）模型预测： 由于时空分布数据不呈现出一定的规律，比较适合使用灰色预测模型进行预测。 clear all; x1=xlsread('18-24号时空分布.xls',1); x2=xlsread('18-24号时空分布.xls',2); x3=xlsread('18-24号时空分布.xls',3); x4=xlsread('18-24号时空分布.xls',4); x5=xlsread('18-24号时空分布.xls',5);
x6=xlsread('18-24号时空分布.xls',6); x7=xlsread('18-24号时空分布.xls',7); for m=1:64 m X=[x1(m),x2(m),x3(m),x4(m),x5(m),x6(m),x7(m)];%a-a交通量一周数据序列 %对X数据序列作一次累加生成X1 X1=zeros(1,7); X1(1)=X(1); for i=2:7 X1(i)=X1(i-1)+X(i); end B=zeros(6,2); for j=1:6 B(j,1)=-0.5*(X1(j+1)+X1(j)); end B=[B(:,1),ones(6,1)]; Yn=[X(2),X(3),X(4),X(5),X(6),X(7)]; a=inv((B'*B))*B'*Yn' ;%最小二乘法求解系数a %X_k+1=(X(0)-a(2)/a(1))*e^(-a(1)*k+a(2)/a(1); X_y=zeros(1,9); k=1:8; X_1=(X(1)-a(2)/a(1))*exp(-a(1)*k)+a(2)/a(1) %建立GM(1,1)模型 X_1=[X1(1),X_1]; %预测 for k=1:8 X_y(k+1)=X_1(k+1)-X_1(k); end X_y(1)=X_1(1) plot(X,'k-') hold on plot(X_y, 'r-') figure e=(X-X_y(1:7))./X %真值与预测值得绝对误差 delt_e=sum(e)/7 %平均相对误差 delt_e<0.01则精度为一级 ss=0; ss1=0; for k=2:6 ss=ss+(X(k)-X(1)); ss1=ss1+(X_y(k)-X_y(1)); end s=abs(ss+0.5*(X(7)-X(1))); s1= abs(ss1+0.5*(X_y(7)-X_y(1))); delt_s=abs(ss+0.5*(X(7)-X(1))- ss1-0.5*(X_y(7)-X_y(1))) w=(1+s+s1)/(1+s+s1+delt_s) %w为关联度,w>0.90关联度为一级。 C=(mean((e-delt_e).^2) /mean((X-mean(X)).^2))^0.5 %均方差比 C<0.35为一级end m = 1 X_1 = 1.0e+004 * Columns 1 through 6
一、分析 语法分析部分我们我们采用LL（１）方法实现，采用LL（１）方法实现语法发分析要求文法满足以下要求： 一个文法能否用确定的自顶向下分析与文法中相同左部的每个产生式右部的开始符号集合有关，当有右部能=*=>ε时则与其左部非终结符的后跟符号集合也有关，此外在产生式中不存在左递归，无回溯。它的基本思想是从左到右扫描源程序，同时从识别符号开始生成句子的最左推导，并只向前查看一个输入符号，便能唯一确定应选择的规则。 下面将确切地定义满足确定的自顶向下分析条件的文法即LL(1)文法及LL(1)文法的判别并介绍如何对非LL(1)文法进行等价变换问题，也就是消除一个文法中的左递归和左公共因子。 注意： 一个文法中含有左递归和左公共因子绝对不是LL(1)文法，所以也就不可能用确定的自顶向下分析法，对此结论可以证明。然而，某些含有左递归和左公共因子的文法在通过等价变换把它们消除以后可能变为LL(1)文法，但需要用LL(1)文法的定义判别，也就是说文法中不含左递归和左公共因子，只是LL(1)文法的必要条件。 LL(1) 文法的定义（5种定义）： 一个文法符号串的开始符号集合定义如下： 定义1.设G=(VT，VN，S，P)是上下文无关文法,α是任意的文法符号串,FIRST(α)是从α推导出的串的开始符号的终结符集合。。。。 FIRST(α)={a|α=*=>aβ,a∈VT，α,β∈V*}若α=*=>ε,则规定ε∈FIRST(α)． 当一个文法中相同左部非终结符的右部存在能=*=>ε的情况则必须知道该非终结符的后跟符号的集合中是否含有其它右部开始符号集合的元素。为此，我们定义一个文法非终结符的后跟符号的集合如下： 定义2.设G=(VT，VN，S，P)是上下文无关文法，A∈VN，S是开始符号 FOLLOW(A)=｛a|S=*=>μAβ,且a∈VT，a∈FIRST(β),μ∈VT* ,β∈V+｝ 若S=*=>μAβ,且βε, 则#∈FOLLOW(A)。也可定义为：FOLLOW(A)={a|S=*=> …Aa…,a ∈VT} 若有S=*=> …A，则规定#∈FOLLOW(A) 这里我们用'#'作为输入串的结束符，或称为句子括号，如：#输入串#。 定义3.给定上下文无关文法的产生式A→α, A∈VN,α∈V*, 若α==>ε,则SELECT(A →α)=FIRST(α) 如果α=*=>ε，则SELECT(A→α)=FIRST(αε)∪FOLLOW(A)。FIRST(αε)表示FIRST(α)的非{ε}元素。 更进一步可以看出能够使用自顶向下分析技术必须使文法满足如下条件，我们称满足条件的文法为LL(1)文法，其定义为： 定义4.一个上下文无关文法是LL(1)文法的充分必要条件是： 对每个非终结符A的两个不同产生式，A→α, A→β,满足SELECT(A→α)∩SELECT(A →β)=空,其中α，β不同时能ε. 定义5. LL（1）文法也可定义为: 一个文法G是LL（1）的，当且仅当对于G的每一个非终结符A的任何两个不同产生式A→α|β，下面的条件成立： (1)FIRST（α）∩FIRST(β)= 空,也就是α和β推导不出以某个相同的终结符a为首的符
季节性时间序列分析方法 在经济领域中得到的观测数据一般都具有较强的随时间变化的趋势，如果是季度或月度数据又有明显的季节变化规律。因此研究经济时间序列必须考虑其趋势性和季节性的特点，既要考虑趋势变动，又要考虑季节变动，建立季节模型。 第一节 简单的时间序列模型 一、 季节时间序列 序列是季度数据或月度数据（周，日）表现为周期的波动。 二、随机季节模型 例1 假定t x 是一个时间序列，通过一次季节差分后得到的平稳序列，且遵从一阶自回归季节模型,即有 t s s t t t x B x x w )1(-=-=- 1t t s t w w 或 1(1 )s t t B w 将t w =t s x )B (-1代入则有 1(1)(1)s s t t B B x SARIMA(1,1,0) 更一般的情况，随机序列模型的表达式为 11(1 )(1)(1)s s S t t B B x B SARIMA(1,1,1) 第二节 乘积模型 值得注意的是t a 不一定是白噪声序列。因为我们仅仅消除了不同周期相同周期点之间具有的相关部分，相同周期而不同周期点之间的也有一定的相关性。所以，在此情况下，模型有一定的拟合不足，如果假设t 是),(q p ARMA 模型，则1(1)(1)s s t t B B x 式可以改为 1()(1)(1)()s s t t B B B x B 如果序列}{t x 遵从的模型为 ()() ()()s d D s s t t B U B x B V B （3.26） 其中ks k s s s B B B B U ΓΓΓ----= 2211)(
ms m s s s B B B B V H H H ----= 2211)( p p B B B φφΦ---= 11)( q q B B B θθΘ---= 11)( d d B )1(-=? D s D s B )1(-=? 则称（3.26）为乘积季节模型，记为),,(),,(q d p m D k ARIMA ?。如果将模型的AR 因子合MA 因子分别展开，可以得到类似ARMA ),(q ms p ks ++的模型，不同的是模型的系数在某些阶为零，故),,(),,(q d p m D k ARIMA ?称为疏系数模型。 关于差分阶数和季节差分阶数的选择，是试探性的。可以通过考察样本的自相关函数来确定。一般情况下，如果自相关函数缓慢下降同时在滞后期为周期s 的整倍数时出现峰值，通常说明序列同时有趋势变动和季节变动，应该做差分和季节差分。如果差分后的序列所呈现的自相关函数有较好的截尾或拖尾性，则差分阶数是适宜的。 对于乘积季节模型的阶数识别，基本上可以采用Box-Jenkins 的方法，考察序列的样本自相关函数和偏自相关函数。如果样本的自相关函数和偏自相关函数表现为既不拖尾又不截尾，在滞后期为周期s 的整倍数时出现峰值，则建立乘积季节模型是适应的，同时SAR 算子)(s B U 和SMA 算子)(s B V 的阶数也可以通过自相关函数和偏自相关函数的表现得
预测分析法实验报告 一、实验项目名称 预测分析法 二、实验目的 根据某一LL(1)文法编制调试预测分析程序，以便对任意输入的符号串进行分析。本次实验的目的主要是加深对预测分析法的理解。 三、实验环境 Windows 10 Microsoft Visual Studio 2015 四、实验内容 本次实验的LL(1)文法为表达式文法： E→E+T | T T→T*F | F F→i | (E) 编写识别表达式文法的合法句子的预测分析程序，对输入的任意符号串，给出分析过程及分析结果。分析过程要求输出步骤、分析栈、剩余输入串和所用产生式。如果该符号串不是表达式文法的合法句子，要给出尽量详细的错误提示 五、源程序清单、测试数据、结果 #include