第十章时间序列预测法-预测理论及平均数预测法

时间序列预测的常用方法与优缺点时间序列预测是一种对时间序列数据进行分析和预测的方法。

它主要通过对过去的数据进行分析来预测未来的趋势。

时间序列预测是很多领域中常用的方法，比如经济学、金融学、气象学等。

下面将介绍几种常用的时间序列预测方法以及它们的优缺点。

1. 移动平均法（Moving Average Method）移动平均法是一种简单而常见的时间序列预测方法。

它通过计算过去一段时间内的平均值来预测未来的数据。

移动平均法的优点包括简单易懂、易于计算和解释，适用于平稳的时间序列。

然而，移动平均法对于趋势、季节性和周期性等特征的数据不够敏感。

2. 加权移动平均法（Weighted Moving Average Method）加权移动平均法是在移动平均法的基础上引入加权因子，对过去的数据进行加权平均。

这样可以更加准确地反映未来的趋势。

加权移动平均法的优点是可以根据实际情况调整加权因子，适用于不同的趋势性。

然而，加权移动平均法仍然对季节性和周期性等特征的数据不够敏感。

3. 指数平滑法（Exponential Smoothing Method）指数平滑法是一种根据过去的数据赋予不同的权重，通过对过去数据的加权平均来预测未来的数据的方法。

指数平滑法的优点是可以较好地适应不同的趋势和季节性，并且对近期数据给予更高的权重。

然而，指数平滑法对于长期趋势和季节性的数据效果不佳。

4. 季节性模型（Seasonal Model）季节性模型是一种用来处理具有季节性特征的时间序列的方法。

它通常将时间序列分解为趋势、季节性和残差三个部分，并对它们分别进行预测。

季节性模型的优点是可以更准确地预测季节性数据，并且对于长期和短期的趋势都能较好地预测。

缺点是需要较多的数据用来建立模型，而且对于具有复杂季节性的数据预测效果不佳。

5. 自回归移动平均模型（Autoregressive Moving Average Model，ARMA）ARMA模型是一种常用的时间序列预测方法，它是自回归模型和移动平均模型的结合。

浅谈时间序列的预测第一部份、时间序列及其分解时间序列是同一现象在不同时间上的相继观察值排列而成的序列。

它可以分平稳序列和非平稳序列两大类，平稳是基本上不存在趋势序列。

非平稳序列是包含趋势、季节性或周期性的序列，它可能只含有其中的一部份，也可能是几种成分的组合。

趋势是时间序列在长时期内呈现出来的某种持续上升或持续下降的变动，也称为长期趋势。

时间序列中的趋势可以是线性也可以非线性的。

季节性也称为季节变动，它是时间序列在一年内重复出现的周期性波动周期性也称循环波动，它是时间序列中呈现出 来的围绕长期趋势的一种波浪形或振荡式变动。

时间序列中除去趋势、周期性和季节性之后的偶然性变动，称为随机性，也称为不规则波动综合上述时间序列可分为；）（）、季节性或季节变动趋势（S T )(I C 动）、随机性或不规则波周期性或循环波动（传统时间序列分析的一一项主要内容就是把这些成分从时间序列中分离出来，并将它们之间的关系用数学关系予以表达，而后分别进行分析。

按4种成分时间序列的影响方式不同，时间序列可分解为加法模型、乘法模型等。

其中较为常用的是乘法模型，其表现形式t t t t t I C S T Y ⨯⨯⨯= 第二部份、时间序列的描述分析1、图形描述作图可以为选择预测模型提供基本依据 2、增长率分析增长率是对现象在不同时间的变化状况所做的描述。

由于对比的基期不同，增长率有不同的计算方法。

增长率也称增长速度，它是时间序列中报告其观察值与基期观察值之比减1后的结果，用%表示。

由于对比基期不同，增长率可以分为环比增长率和定基增长率。

环比增长率是报告期观察值与前一时期观察值之比减1，说明现象逐期增长变化的程度；定基增长率是报告期观察值与某一固定时期观察值之比减1，说明现象在整个观察期内总的增长变化程度。

设增长率为G ，则环比增长率和定基增长率可表示为；期的观察值表示用于对比的固定基在上式中定基增长率；环比增长率；0000111Y ,,2,11,,2,11n i Y Y Y Y Y G n i Y Y Y Y Y G ii i i ii i i i =-=-==-=-=---平均增长率；也称平均增长速度，它是时间序列中逐期环比值的几何平均数减1后的结果，计算公式为；为环比值的个数表示平均增长率；式中，n G Y Y Y Y Y Y Y Y G n nn n n 11011201-=-⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛=-关于增长率分析中应注意以下两个问题1、当时间序列中有观察值出现0或负数时，不宜计算增长率2、在有些情况下，不能单纯就增长率论增长率，要注意增长率与绝对水平的结合分析。

21.6 21.2 107.1% 21.4%
21.5 21.9 108.6 21.7%
25.5
100
25.04
100
127.8
25.6%
21
二、实际预测 1、情形一：已知年度预测值，预测其它各季度值。
计算公式：某季度预测值＝年度预测值×该季的季节比重 例题：已知2006年度预测值为7385吨，要求利用季节变差预测各值。
一、数据模式的分析法
1、叠加法
y
H
k
t 水平型： Y=H+S 或
y
k t
Y=H+S+C+I T
S +0
S
s>0 t
s<0
t1
t
+
t1
t
t1
趋势型： Y=T+S
Y=T+S+C+I
t
2
第一节 季节变动数据模式分析法及预测步骤
2、乘积法
y
H
S
k
k
t
t
水平季节型： Y=H×S 或 Y=H×S×C×I
y
T
S
85.8 87.3 86.3 84.7 428.3 85.7%
86.3 87.8 86.0 87.6 434.5 86.9%
102.6 103.0 102.0 100.2 511.0 102.2%
表中第一个数据来源：2150/1710.75=1.257=125.7% 其它数据同上。
12
第二节 季节指数预测法
年份
第一季度
2001
2150
2002
2192
2003
2089

第五讲平均预测方法在时间序列分析中，平均预测方法是一种常用的方法，其基本原则是通过对历史数据的平均值进行预测未来值。

该方法的优点在于简单易懂，计算方便，并且对异常值具有一定的鲁棒性，但是在应对复杂的时间序列模式时效果较差。

本篇文章将详细介绍几种常见的平均预测方法。

1.简单平均法简单平均法是最基本的平均预测方法。

它的原理很简单，即将历史数据的值进行求和，然后除以数据的个数，得到平均值作为未来的预测值。

简单平均法可以用来处理较为稳定和平稳的时间序列，对于一些不规则且没有明显的趋势和季节性的数据有一定的预测能力。

2.加权平均法简单平均法无法处理一些具有明显季节性或趋势性的时间序列，因此，可以采用加权平均法来进行预测。

加权平均法考虑到每个历史数据的权重，通常最近的数据权重较大，而较旧的数据权重较小。

常用的加权平均法有指数加权平均法和移动平均法。

2.1指数加权平均法指数加权平均法是一种常用的平均预测方法，它给予较近期的数据更高的权重，较远期的数据权重逐渐减小。

具体来说，指数加权平均的公式为：$$F_{t}=\alpha D_{t-1}+(1-\alpha)F_{t-1}$$其中$F_{t}$是$t$时刻的预测值，$D_{t-1}$是$t-1$时刻的实际值，$F_{t-1}$是$t-1$时刻的预测值，$\alpha$是平均权重。

$\alpha$的取值在$0 \le \alpha \le 1$之间，一般而言，较大的$\alpha$意味着更高的权重，使得预测值对最近的历史数值更为敏感。

对于稳定的时间序列，可以选择较小的$\alpha$值，而对于复杂的时间序列，可以选择较大的$\alpha$值。

2.2移动平均法移动平均法是另一种常见的加权平均法，它是基于前期数据计算出其中一时间段内的平均值，并将该平均值作为未来其中一点的预测值。

移动平均法相比于指数加权平均法更加平滑，适用于平稳或趋势性较明显的时间序列。

移动平均法的公式如下：$$F_{t}=\frac{D_{t-k}+D_{t-k+1}+...+D_{t-2}+D_{t-1}+D_{t}}{k} $$其中$F_{t}$是$t$时刻的预测值，$D_{t-k}$到$D_{t}$是历史数据，$k$是移动平均窗口的大小。