短时间序列预测建模及应用研究

发布时间：2017-06-12 21:10

  本文关键词：短时间序列预测建模及应用研究，由笔耕文化传播整理发布。

【摘要】： 预测是指人们在观察和分析客观事物发展的历史和现状的基础上,寻找未来事物潜在的发展规律,进而寻求对未来状况的了解。预测的理论和方法可以广泛地应用到自然现象和社会现象的各个领域,从而形成社会预测、政治预测、军事预测、医学预测、灾害预报、生物预测、气象预测、经济预测等。市场经济条件下,经济活动不断变化和发展的,复杂程度也越来越高,具有高度不确定性。为了降低决策的风险,提高管理的科学水平,增强对未来情况的可预见性,经济预测受到广泛的关注。无论是政府的宏观决策还是企业的微观决策都离不开科学的经济预测。法国展望与预测中心学者马塞尔.巴扬指出“在任何时候,我们都要先于竞争对手捕捉到未来技术的发展前景和消费者的要求。同时,要有足够的勇气利用预测的成果做出决策”。预测与决策是管理的两个重要组成部分,管理的关键在于决策,而决策的前提是预测。[’]在商业环境中,管理者需要不断的做出各种决策,很大程度上企业的成功取决于这些决策的正确性。企业只有对产品的市场需求、自身的生产能力等各方面的发展变化进行正确的预测,了解市场供求情况,及时把握市场的发展方向和趋势,才能根据市场需求调整竞争策略、生产规模,在激烈的市场竞争中取得经济效益。在环境日益复杂多变的情况下,如何科学地预测,进而合理地做出决策已成为当今管理人员必须具备的能力。凡事预则立,不预则废,企业管理者只有做到心中有数,才能克服决策的盲目性,更好发挥科学管理的职能。 在现代预测方法和计算机技术出现之前,管理者主要的预测工具就是主观判断。然而仅靠主观判断做出的预测远远没有定量预测技术做出的预测准确。信息技术的发展、计算机的普及,以及更多成熟的预测方法的发展,尤其是相关分析软件的激增,使得大量信息数据的储存、收集、处理和分析能力大大提高,从而为利用科学方法和手段进行定量预测提供了基础。作为定量预测的重要组成部分,时间序列分析预测的发展已经有几十年的历史,在国内外学者的共同努力下形成了相对成熟、完善的预测机制。时间序列(Time series)是指随时间顺序出现的一连串观测值序列,此序列实际为有限的观测资料集合。在企业收集的数据资料中,大部份为时间序列,如日每股收益率、每月短信业务量、每月通信收入等。近年来,由于信息业软件及硬件的迅速发展,数据分析在政府与企业管理决策过程中逐渐扮演益加重要的脚色。时间序列分析方法也已被各界所广泛地采用,其主要应用的目的大致包括：[2] 1.通过对个别序列前后期相关性的了解来对序列未来观测值作预测。 2.同时分析数个相关的序列,以了解序列前后期及同期间的关系。如果这类动态关系存在,将可被用来提高预测准确度,以及对系统中某些变量的调控有助益。 3.将序列分解成几个主要成份(如趋势成份、季节变化成份、循环成分、不规则成份),以增进对序列动态行为的了解。 4.对理论性模式与数据进行适合度检定,以讨论模式是否能正确地表示所观测的现象, 5.对特殊政策或事件的影响加以评估。 短时间序列数据,其基本特征是单个序列的观测数量较少,而以上的几种应用均以足够数量的观测点为分析的前提。现有的时间序列处理方法,不管是统计方法,还是数据挖掘方法,对长序列的关注都远远多于短序列,很多情况下,已经获得的大量有用的短时间序列却无法直接应用于已有的时间序列预测模型,或者尽管可以应用,但是预测的效果差强人意。数据挖掘算法尽管一定程度上改善了传统的时间序列分析算法在短时间序列预测的精度,但是对于企业应用来说,计算过程过于复杂,对预测人员和预测工具的要求都很高,导致预测的成本大大增加。 基于此,本文致力于建立一个应用性强、预测效果更好的短时间序列预测的模型。该模型的基本原理是：利用时间序列呈现出的季节性和趋势性,分别建立基于给定历史数据季节末总量的季节内部分累积量的条件分布模型和季节末的趋势模型,利用预测周期内的已知的少数观测值来预测周期末总量；最后在总量预测的基础上进一步预测周期内的观测值。该模型最大的特点在于对观测值少的时间序列有很高的预测效率。在理论建模的基础上,本文更强调模型应用性和实证的检验。在实证方面,本文将电信行业的数据应用于该模型,同时将预测结果同ARIMA模型进行比较,实验结果表明,在短时间序列预测方面,本文的模型在预测效率上有很大的改进。此外,该模型不仅可以开发成可操作的界面程序,而且可以在MATLAB、EXCEL中实现,大大提高了可操作性,具有很高的应用价值。
【关键词】：时间序列 预测 ARIMA 季节性 趋势性
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2009
【分类号】：C934
【目录】：

• 摘要4-7
• ABSTRACT7-9
• 目录9-11
• 第一章 绪论11-28
• 1.1 研究背景11-17
• 1.1.1 宏观背景11-13
• 1.1.2 行业背景13-15
• 1.1.3 技术背景15-17
• 1.2 研究动机和意义17-23
• 1.2.1 研究动机17-21
• 1.2.2 研究的意义21-23
• 1.3 研究内容及结构安排23-28
• 1.3.1 研究内容23-26
• 1.3.2 论文结构26-28
• 第二章 时间序列预测理论回顾28-51
• 2.1 预测理论回顾28-33
• 2.1.1 预测的概念28-29
• 2.1.2 预测的分类29-31
• 2.1.3 预测的原则和步骤31-33
• 2.2 回归预测理论回顾33-36
• 2.2.1 回归分析的概念33-34
• 2.2.2 回归预测的过程34-36
• 2.3 时间序列预测理论回顾36-45
• 2.3.1 时间序列的概念36-40
• 2.3.2 时间序列分析理论回顾40-42
• 2.3.3 随机时间序列分析模型(时域分析)42-45
• 2.4 短时间序列预测理论回顾45-51
• 2.4.1 应用灰色系统理论模型进行短时间序列预测45-46
• 2.4.2 应用数据挖掘进行短时间序列预测46-47
• 2.4.3 短时间序列预测新思路47-51
• 第三章 季节性条件概率模型(SM)建模51-77
• 3.1 引言51-54
• 3.1.1 时间序列季节因素相关概念51-52
• 3.1.2 季节调整的理论依据52-53
• 3.1.3 时间序列分析中季节性的调整技术53-54
• 3.2 基于季节末总量的部分累积量条件分布模型54-72
• 3.2.1 相关变量定义54-57
• 3.2.2 季节的稳定性及其在短时间序列预测中的应用57-66
• 3.2.3 稳定季节性短时间序列模型构建66-68
• 3.2.4 非稳定性模型构建68-72
• 3.3 模型实验结果及分析72-77
• 3.3.1 实验工具及实验数据72-73
• 3.3.2 模型的应用及结果分析73-77
• 第四章 趋势性自回归模型(TM)建模77-89
• 4.1 引言77-83
• 4.1.1 时间序列趋势性的概念77-79
• 4.1.2 趋势性在时间序列分析中的应用79-83
• 4.2 季节末总量趋势自回归模型83-86
• 4.2.1 相关变量定义84
• 4.2.2 短时间序列总量趋势模型(TM)建模84-86
• 4.3 模型实验结果及分析86-89
• 4.3.1 实验工具及实验数据86
• 4.3.2 模型的应用和结果分析86-89
• 第五章 季节-趋势性混合预测模型(SITM)建模89-109
• 5.1 引言89-95
• 5.1.1 理论回顾89-91
• 5.1.2 SSP(Stable Seasonal Pattern)预测模型91-93
• 5.1.3 带有季节性模式的短时间序列贝叶斯预测模型93-95
• 5.2 季节-趋势性混合预测模型(SITM)95-99
• 5.2.1 变量定义和基本假设95-97
• 5.2.2 模型构建97-99
• 5.2.3 季节末总量分解99
• 5.3 模型实验结果及分析99-109
• 5.3.1 实验设计99-100
• 5.3.2 实验工具及实验数据100-102
• 5.3.3 模型的应用102-106
• 5.3.4 模型结果分析106-109
• 第六章 SITM预测模型在电信业务预测中的应用研究109-119
• 6.1 引言109-111
• 6.1.1 电信业务预测理论综述109-110
• 6.1.2 电信业务数据分析110-111
• 6.2 基于ARIMA预测模型的电信业务预测实践111-116
• 6.2.1 数据准备111-112
• 6.2.2 模型识别112-114
• 6.2.3 预测114-116
• 6.3 基于SITM预测模型的电信业务预测实践116-117
• 6.4 模型结果分析与比较117-119
• 第七章 总结与展望119-121
• 7.1 内容总结119-120
• 7.2 创新点120
• 7.3 展望120-121
• 参考文献121-130
• 附录130-132
• 致谢132-133
• 攻读学位期间发表的学术论文133

【引证文献】

中国博士学位论文全文数据库 前1条

1 孙伟;基于泄漏量监测的减压阀泄漏预测模型研究[D];上海交通大学;2012年

中国硕士学位论文全文数据库 前1条

1 王晓婕;国内家具市场影响因素及需求预测研究[D];东北林业大学;2011年

  本文关键词：短时间序列预测建模及应用研究，由笔耕文化传播整理发布。

，

本文编号：444958