指数平滑预测模型

目录

1.分类

2.简单指数平滑

简单指数平滑预测:

平滑系数的确定

R中实现:

3. Holt两参数指数平滑

4. Holt-Winters三参数指数平滑

5.ARIMA加法季节模型

R实现

 例题:


1.分类

2.简单指数平滑

简单移动平均法向前预测1期

缺点:历史信息的权重都为1/n

简单指数平滑预测

还可写成:

其均值为:

平滑系数的确定

  • 一般对于变化缓慢的序列,α常取较小的值
  • 对于变化迅速的序列,α常取较大的值
  • 经验表明α介于0.05至0.3之间,修匀效果比较好。

例1对某一观察值序列{x_t},使用简单指数平滑法。已知x_t=10,\hat{x_t}= 10.5,平滑系数\alpha=0.25。
        (1)求向前预测2期的预测值.\hat{x_{t+2}}
        (2)在2期预测值\hat{x_{t+2}}中,x_t前面的系数等于多少。

        理论上可以证明简单指数平滑法任意期的预测值都为常数,所以简单指数平滑只适合做1期预测,是常用的平稳序列预测方法,且1期预测以后的值都与1期预测一样,所以只适合短期预测。

R中实现:

例6-4根据1949-1998年北京市每年最高气温序列,采用指数平滑法预测1999-2018年北京市每年最高气温。

a<-read.table('D:/桌面/6_4.csv',,sep=',',header=T) #读取数据
x<-ts(a$temp,start=1949)
plot(x) #时序图

返回:

进行简单指数平滑:

fit<-HoltWinters(x,beta=F,gamma=F)
fit

返回:

基于简单指数平滑模型进行5期预测:

library(forecast)
fore1<-forecast(fit,h=5)
fore1

返回:

绘制预测效果图:

plot(fore1,lty=2)
lines(fore1$fitted,col='red')

返回:

3. Holt两参数指数平滑

使用场合:含有线性趋势的序列进行修匀

模型结构

两参数修匀

k期预测:

4. Holt-Winters三参数指数平滑

a_t水平部分,b_t趋势部分,s_t季节因子(周期m),c(t)是t时刻季节指数的无偏估计值 

Holt两参数指数平滑:

加法模型

乘法模型

k期预测

两参数预测:

三参数预测:

假设t+k期为季节周期的第j期

例6-1(续))对1981-1990年澳大利亚政府季度消费支出序列进行Holt-Winters三参数指数平滑进行8期预测。

a<-read.table('D:/桌面/6_1.csv',,sep=',',header=T) #读取数据
x<-ts(a$x,start=c(1981,1),frequency=4)
plot(x) #时序图

进行三参数指数平滑:

fit<-HoltWinters(x)
fit

返回:

8期预测:

library(forecast)
fore<-forecast(fit,h=8)
fore

返回:

绘制预测结果:

plot(fore)
lines(fore$fitted,col='red')

返回:

5.ARIMA加法季节模型

季节效应和其它效应之间是加法关系

通过简单的趋势差分、季节差分之后转化为平稳,模型结构通常如下

R实现

在上节的ARIMA函数的基础上多了个参数 seasonal(季节)

 例题:

1、我国1949—2008年每年铁路货运量(单位:万吨)数据如习题5-2.csv所示。请选择适当模型拟合该序列,并预测2009—2013年我国铁路货运量。

a<-read.table('D:/桌面/习题5-2.csv',sep=',',header=T) #读取数据
x<-ts(a$transport,start=1949)
plot(x) #时序图

返回:

由时序图得,该序列有明显趋势,所以为非平稳序列,要对其进行1阶差分:

diff1<-diff(x)
diff1

返回:

对1阶差分绘制时序图

plot(diff1)

返回;

 由时序图可得,差分后序列的值基本围绕在0附近,已经没有明显的趋势特征

平稳性检验

# ADF检验
library(aTSA) #aTSA导入程序包
adf.test(diff1) #平稳性检验

返回:

检验结果显示,该序列所有 ADF 检验统计量的 P 值均小于显著性水平(α=0.05),所以可以确定 1 阶差分后系列实现了平稳。

纯随机性检验:
for(i in 1:2)print( Box.test(x,type='Ljung-Box',lag=6*i)) #延迟6到12期的检验

返回:

        Box-Ljung test

data:  x

X-squared = 209.55, df = 6, p-value < 2.2e-16

        Box-Ljung test

data:  x

X-squared = 292.47, df = 12, p-value < 2.2e-16

根据随机性检验结果显示 6 阶和 12 阶延迟的统计量的 P 值都小于显著性水平(α=0.05), 所以可以判断该系列为平稳非白噪声序列

自相关系数和偏自相关系数

acf(diff1,main='自相关图') #绘制自相关图
pacf(diff1,main='偏自相关图') #绘制偏自相关图

返回:

        由自相关图和偏自相关图显示,该序列具有自相关图拖尾、偏自相关图1阶截尾的特征,故尝试使用 AR (1)模型拟合 1 阶差分后序列,又因为前面进行了1阶差分,所以可以用ARIMA(1,1,0)进行拟合。

ARIMA(1,1,0) 模型拟合

fit1<-arima(x,order=c(1,1,0))
fit1

返回:

Call:

arima(x = x, order = c(1, 1, 0))

Coefficients:

         ar1

        0.6589

s.e.     0.0985

sigma^2 estimated as 58008959:  log likelihood = -611.35,  aic = 1226.69

则可得模型解析式为:

{\color{Red} }\Delta x_t=u+\frac{1}{1-0.6589B}\varepsilon _t

模型检验

 ts.diag(fit1)

返回:

由图可知,拟合模型效果很好。

进行预测

library(forecast) #导入库
fore1<-forecast::forecast(fit1,h=5) 
fore1
plot(fore1) 
lines(fore1$fitted,col=4) 

返回:

预测结果

对预测结果绘制时序图:

2、1867—1938年英国(英格兰及威尔士)绵羊数量如习题5-5.csv所示。

(1)确定该序列的平稳性;

(2)选择适当模型拟合该序列的发展;

(3)利用拟合模型预测1939—1945年英国绵羊的数量。

b<-read.table('D:/桌面/习题5-5.csv',sep=',',header=T) #读取数据
y<-ts(b$sheep,start=1867)
plot(y) #时序图

  由时序图得,该序列有明显趋势,所以为非平稳序列

对其进行1阶差分:

diff2<-diff(y)
plot(diff2) #对1阶差分绘制时序图

由时序图可得,差分后序列的值基本围绕在0附近,已经没有明显的趋势特征

平稳性检验

library(aTSA) #aTSA导入程序包
adf.test(diff2) #平稳性检验

检验结果显示,该序列所有 ADF 检验统计量的 P 值均小于显著性水平(α=0.05),所以可以确定 1 阶差分后系列实现了平稳。

纯随机性检验

for(i in 1:2)print( Box.test(y,type='Ljung-Box',lag=6*i)) #延迟6到12期的检验

返回:

        Box-Ljung test

data:  y

X-squared = 210.63, df = 6, p-value < 2.2e-16

        Box-Ljung test

data:  y

X-squared = 265.32, df = 12, p-value < 2.2e-16

根据随机性检验结果显示 6 阶和 12 阶延迟的统计量的 P 值都小于显著性水平(α=0.05), 所以可以判断该系列为平稳非白噪声序列

自相关系数和偏自相关系数

acf(diff2,main='自相关图') #绘制自相关图
pacf(diff2,main='偏自相关图') #绘制偏自相关图

由自相关图和偏自相关图显示,该序列具有自相关图拖尾、偏自相关图3阶截尾的特征,故尝试使用 AR(3)模型拟合 1 阶差分后序列,考虑到前面已经进行的 1 阶差分运算,所以可以用ARIMA(3,1,0)进行拟合。

ARIMA(3,1,0) 模型拟合

fit2<-arima(y,order=c(3,1,0))
fit2

返回:

则可得模型解析式为:

{\color{Red} }\Delta x_t=u+\frac{1}{1-0.4641B+0.2375B^2+0.2796B^3}\varepsilon _t

模型检验

ts.diag(fit2)

由图可知,拟合模型效果很好。

进行预测

library(forecast) #导入库
fore2<-forecast::forecast(fit2,h=9)
fore2
plot(fore2)
lines(fore2$fitted,col=4)

​ ​

 

​​

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/564749.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Java反射机制API

实现 Java 反射机制的类都位于 java.lang.reflect 包中&#xff0c;java.lang.Class 类是 Java 反射机制 API 中的核心类。 java.lang.Class 类 java.lang.Class 类是实现反射的关键所在&#xff0c;Class 类的一个实例表示 Java 的一种数据类型&#xff0c;包括类、接口、枚…

ARIMA乘法季节模型

目录 ARIMA乘法季节模型 例题1 例题 2 例题3 ARIMA乘法季节模型 序列的季节效应、长期趋势效应和随机波动之间有着复杂的相互关联性,简单的季节模型不能充分地提取其中的相关关系&#xff0c;这时常采用乘积季节模型。 例题1 我国1949-2008年年末人口总数&#xff08;单…

R语言acres92 region_[R语言 学习笔记] circlize绘制基因组圈图的原理与使用(一)...

由于图形大多由点、线、多边形等简单图形组成&#xff0c;circlize实现了在圆形作图区域添加图形的低级绘图函数&#xff0c;通过低级绘图函数的不同组合&#xff0c;可以轻松生成更复杂的图形。这一原则确保了各种类型的高级图形不会受软件包本身的通用性限制&#xff0c;并且…

python生活中哪些运用_【想把python运用在实际生活中?那么python查询价格方法可以帮助你】- 环球网校...

【摘要】通过本次课程可以让python学员了解一下python查询价格方法&#xff0c;对代码编程有个感性的认知。也好让大家能够理性选择&#xff0c;不要盲目跟从&#xff0c;选择适合自己当前阶段的学习内容&#xff0c;循序渐进&#xff0c;以兴趣自我探索为向导&#xff0c;所以…

机器学习之二分类LDA线性判别(最大特征值法)

目录 一、实验数学原理 二、算法实现步骤 三、实例分析 四、实验结果及分析 一、实验数学原理 线性判别分析((Linear Discriminant Analysis &#xff0c;简称 LDA)是一种经典的线性学习方法&#xff0c;在二分类问题上因为最早由 [Fisher,1936] 提出&#xff0c;亦称 ”Fi…

Java通过反射访问构造方法

为了能够动态获取对象构造方法的信息&#xff0c;首先需要通过下列方法之一创建一个 Constructor 类型的对象或者数组。 getConstructors()getConstructor(Class<?>…parameterTypes)getDeclaredConstructors()getDeclaredConstructor(Class<?>...parameterTypes…

python正则匹配ip_[求助] 正则表达式匹配 IP 地址的问题求助

需求&#xff1a; 有一个列表&#xff0c;表中元素包含IP地址&#xff0c;空元素&#xff0c;文字。想从这个列表中匹配出特定规律的IP地址&#xff0c;列表见下图 testip [‘’, ‘’, ‘’, ‘IP&#xff08;30位&#xff09;’, ‘’, ‘24.45.127.2’, ‘24.45.127.6’, ‘…

在布局空间标注的尺寸量不对_卫生间最佳布局尺寸,合理布局做到1毫米都不浪费!...

房子不论大小里面都会配置一个卫生间&#xff0c;卫生间分为大致三个区域&#xff0c;一个是洗涮区&#xff0c;可以在这里每天洗脸刷牙&#xff0c;还有就是淋浴区我们可以每天在这里洗澡&#xff0c;洗掉一天的疲惫。最后就是如厕区。这三大区域各个设计尺寸不同&#xff0c;…

机器学习 —— 向量机(matlab)

目录 一、SVM基本介绍 1.1 SVM算法定义 1.2 SVM和逻辑回归的区别 二、实验数学原理 三、实验算法和实验步骤 四、实例分析 一、SVM基本介绍 1.1 SVM算法定义 SVM全称是supported vector machine&#xff08;支持向量机&#xff09;&#xff0c;即寻找到一个超平面使样本…

Java通过反射执行方法

要动态获取一个对象方法的信息&#xff0c;首先需要通过下列方法之一创建一个 Method 类型的对象或者数组。 getMethods()getMethods(String name,Class<?> …parameterTypes)getDeclaredMethods()getDeclaredMethods(String name,Class<?>...parameterTypes)访问…

python中的运算符_Python中的运算符

说完常用的数据类型&#xff0c;再来说下运算符。运算符用于将各种类型的数据进行运算&#xff0c;让静态的数据跑起来。 编程语言中的运算大致分为以下几个大类&#xff1a; 算术运算&#xff0c; 用于加减乘除等数学运算 赋值运算&#xff0c;用于接收运算符或方法调用返回的…

excel如何去重统计户数_公式解读第三期 单元格中数字如何去重排序?

公式解读 第三期 -单元格中数字的去重排序&#xff01;本期涉及到函数较多&#xff0c;你可以一次性根据这个案例&#xff0c;学习多少很多常用 函数的用法&#xff0c;同时我也会讲解思路&#xff0c;这个很重要&#xff0c;思路决定了出路。直接先看一下我们的效果图&#xf…

机器学习 —— 神经网络(matlab)

目录 一、介绍 二、实验数学原理 三、实验算法和实验步骤 四、实例分析 一、介绍 神经网络是一种运算模型&#xff0c;由大量的节点&#xff08;或称“神经元”&#xff0c;或“单元”&#xff09;和之间相互联接构成。每个节点代表一种特定的输出函数&#xff0c;称为激励…

Java通过反射访问成员变量

通过下列任意一个方法访问成员变量时将返回 Field 类型的对象或数组。 getFields()getField(String name)getDeclaredFields()getDeclaredField(String name)上述方法返回的 Field 对象代表一个成员变量。例如&#xff0c;要访问一个名称为 price 的成员变量&#xff0c;示例代…

python 类可以调用实例变量_python面向对象中类对象、实例对象、类变量、实例变量、类方法、实例方法、静态方法...

1. 类对象和实例对象 Python中一切皆对象&#xff0c;Python类本身也是一种对象&#xff0c;类定义完成后&#xff0c;会在当前作用域中定义一个以类名为名字的命名空间。类对象具有以下两种操作&#xff1a; 可以通过“类名()”的方式实例化一个对象。 可以通过“类名.类属性”…

python主成分分析法降维_主成分分析降维(MNIST数据集)

今天看了用主成分分析简化数据&#xff0c;就顺便用MNIST数据集做了下实验&#xff0c;想直观地看一下效果&#xff0c;并通过完成这个小demo深入理解下原理。我发现“是什么、能做什么、怎么用、效果是什么、原理是什么、优缺点是什么”这样的思路能让我更好地接受一个新知识&…

ARIMA加法季节模型

目录 ARIMA加法季节模型 ARIMA加法季节模型函数 例题 ARIMA加法季节模型 季节效应和其它效应之间是加法关系 通过简单的趋势差分、季节差分之后转化为平稳&#xff0c;模型结构通常如下 ARIMA加法季节模型函数 例题 部分数据&#xff1a; timexJan-93977.5Feb-93892.5Mar…

Java在远程方法调用中运用反射机制

我们将介绍反射机制在网络编程中的应用&#xff0c;实现如何在客户端通过远程方法调用服务器端的方法。 假定在服务器端有一个 HelloService 接口&#xff0c;该接口具有 getTime() 和 echo() 方法&#xff0c;具体代码如下&#xff1a; import java.util.Date;public interf…

安捷伦频谱仪的使用方法图解_频谱仪的简单操作使用方法lbrack;1rsqb;

R3131A频谱仪简单操作使用方法一&#xff0e;R3131A频谱仪简介。R3131A频谱仪是日本ADVANTEST公司的产品&#xff0c;用于测量高频信号&#xff0c;可测量的频率范围为9K—3GHz。对于GSM手机的维修&#xff0c;通过频谱仪可测量射频电路中的以下电路信号, (维修人员可以通过对所…

多元时间序列分析 —— 因果检验

目录 因果检验 因果关系的识别 例 Granger 因果关系定义 两变量之间的4种因果关系 Granger因果检验 1.假设条件 2.检验统计量 例 进行Granger因果检验应该注意的问题 因果检验 因果关系的识别 对于多元时间序列而言&#xff0c;如果能找到对响应变量有显.著影响的输…