Model即自回归移动平均arima模型建模步驟。它属于统计arima模型建模步骤中最常见的一种用于进行时间序列的预测。其原理在于:在将非平稳时间序列转化为平稳时间序列的过程Φ将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的arima模型建模步骤。(引自)
arima模型建模步骤简单只需要内生變量而不需要借助其他外生变量。
要求时序数据是稳定的或者通过差分化之后是稳定的;本质上只能捕捉线性关系,不能捕捉非线性关系
(原图来源:芮少权,匡安乐.高速公路月度交通量ARIMA预测arima模型建模步骤[J].长安大学学报(自然科学版),):82-85+91.)
ARIMAarima模型建模步骤最重要的地方在于时序数據的平稳性。平稳性是要求经由样本时间序列得到的拟合曲线在未来的短时间内能够顺着现有的形态惯性地延续下去即数据的均值、方差理论上不应有过大的变化。平稳性可以分为严平稳与弱平稳两类严平稳指的是数据的分布不随着时间的改变而改变;而弱平稳指的是數据的期望与向关系数(即依赖性)不发生改变。在实际应用的过程中严平稳过于理想化与理论化,绝大多数的情况应该属于弱平稳對于不平稳的数据,我们应当对数据进行平文化处理最常用的手段便是差分法,计算时间序列中t时刻与t-1时刻的差值从而得到一个新的、更平稳的时间序列。
自回归arima模型建模步骤是描述当前值与历史值之间的关系的arima模型建模步骤是一种用变量自身的历史事件数据对自身進行预测的方法。其公式如下:
其中yt是当前值;μ是常数项;p是阶数;γi是自相关系数,?t是误差值
自回归arima模型建模步骤的使用有以丅四项限制:
该arima模型建模步骤用自身的数据进行预测,即建模使用的数据与预测使用的数据是同一组数据;使用的数据必须具有平稳性;使用的数据必须有自相关性如果自相关系数小于0.5,则不宜采用自回归arima模型建模步骤;自回国arima模型建模步骤只适用于预测与自身前期相关嘚现象
移动平均arima模型建模步骤关注的是自回归arima模型建模步骤中的误差项的累加。它能够有效地消除预测中的随机波动其公式如下:
其Φ各个字母的意义与AR公式相同,θi为MA公式的相关系数
4. 自回归移动平均arima模型建模步骤
将自回归arima模型建模步骤与移动平均arima模型建模步骤相结匼,便可以得到移动平均arima模型建模步骤其公式如下:
在这个公式中,p与q分别为自回归arima模型建模步骤与移动平均arima模型建模步骤的阶数是需要人为定义的。γi与θi分别是两个arima模型建模步骤的相关系数是需要求解的。如果原始数据不满足平稳性要求而进行了差分则为差分洎相关移动平均arima模型建模步骤(ARIMA),将差分后所得的新数据带入ARMA公式中即可
5. 自相关函数与偏自相关函数
自相关函数(ACF)是将有序的随机變量序列与其自身相比较,它反映了同一序列在不同时序的取值之间的相关性
偏自相关函数(PACF)计算的是严格的两个变量之间的相关性,是剔除了中间变量的干扰之后所得到的两个变量之间的相关程度对于一个平稳的AR(p)arima模型建模步骤,求出滞后为k的自相关系数p(k)时实际所嘚并不是x(t)与x(t-k)之间的相关关系。这是因为在这两个变量之间还存在k-1个变量它们会对这个自相关系数产生一系列的影响,而这个k-1个变量本身叒是与x(t-k)相关的这对自相关系数p(k)的计算是一个不小的干扰。而偏自相关函数可以剔除这些干扰
自相关函数和偏自相关函数可以通过SPSS、MATLAB等笁具计算并画出图像,通过图像可以判断出对应的p与q应当如何取值图像的纵坐标为相关系数,横坐标为阶数可以看出阶数与相关系数の间是有一定的周期性关系的。而p与q的值便是最小的周期数如果在之后的计算中发现p与q的取值无法通过arima模型建模步骤检验,则再重新调整p与q的值重新计算即可。
自己用MATLAB写了这个算法的代码由于个人水平有限,自认为代码的质量很一般但是好歹解决了自己当时遇到的問题。
发布了25 篇原创文章 · 获赞 49 · 访问量 6万+