ARIMA-FTS混合模型的时间序列预测研究
发布时间：2020-12-27 01:45
时间序列是按照时间的顺序记录的一列有序数据。时间序列作为一类具有时间属性的特殊数据类型,在社会历史发展进程中长期受到重视。研究工作者通常是通过对时间序列数据进行一系列的观察和研究,并从中发现某种暗含在其数据背后的规律,从而预测它将来的走势。时间序列预测是一种通过已知的数据来预测未来的方法,其让决策者有了登高望远的能力,进而做出更合理的选择,因此关于时间序列预测的研究具有很重要的意义。随着时间序列预测逐渐多地被应用到社会生活中的方方面面,在面对实际问题时,数据的复杂性通常会大大地超出研究人员的想象,同时数据的特征很难完全确定,往往运用单一模型无法得到较满意的结果,而混合模型的使用能够在一定程度上规避上述缺点。并且混合模型能整合不同模型各自的长处,因此能够较好地提升建模效果,如此一来混合模型就可以被应用到更广泛的领域去。由此思路,基于ARIMA模型和FTS模型各自的优势,本文针对这两个模型提出混合建模方法,进而改进时间序列的预测结果。本文在Zhang（2003）提出的混合模型构建思想的启发下,将ARIMA模型与FTS模型进行混合建模得到ARIMA-FTS模型,并提出模型估计、预测方法。为验...
【文章来源】：浙江财经大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
技术路线图
浙江财经大学硕士学位论文。在这三种方法中，采用矩方法得到的参数估计精度低，通常不能满足实际的要求；最大似然估计需要事先知道变量的概率分布形式，且实际情况较难。反观用最小二乘方法得到的估计，可以较直观地解释模型的建模意义。4．模型检验模型是否适用，应从三个方面进行考虑：一是模型必须要平稳和可逆的，伪回归等情形；二是一个合适的模型应尽可能提取原序列中的线性关系，因差应该尽可能地接近白噪声；三是各阶参数应该是显著的，如果某一阶参数拟合效果并没有影响，这一模型显然是可以进一步优化的。ARIMA 模型的建模流程如图 2-1 所示。
图 2-3 论域的划分表 2-2Alabama 大学 1971-1992 年的招生人数年度 真实值 模糊值 年度 真实值 模糊值1971 13055 A11982 15433 A31972 13563 A11983 15497 A31973 13867 A11984 15145 A3
【参考文献】：
期刊论文
[1]基于ARIMA模型与GM(1,1)模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐. 统计与决策. 2017(20)
[2]基于SARIMA模型的居民消费价格指数的预测[J]. 朱颜杰,樊顺厚,雷怀英. 统计与决策. 2014(04)
[3]基于MapReduce的K-Medoids并行算法[J]. 张雪萍,龚康莉,赵广才. 计算机应用. 2013(04)
[4]一种新的模糊时间序列模型的预测方法[J]. 陈刚,曲宏巍. 控制与决策. 2013(01)
[5]模糊时间序列模型在短期气候预测中的应用[J]. 王永弟. 南京信息工程大学学报(自然科学版). 2012(04)
[6]基于ARIMA模型的中国CPI走势预测分析[J]. 郭晓峰. 统计与决策. 2012(11)
[7]如何对中国CPI进行季节调整——基于X-12-ARIMA方法的改进[J]. 贺凤羊,刘建平. 数量经济技术经济研究. 2011(05)
[8]一种新的基于模糊C均值算法的模糊时间序列确定性预测模型[J]. 余文利,方建文,廖建平. 计算机工程与科学. 2010(07)
[9]ARIMA模型在广东省GDP预测中的应用[J]. 华鹏,赵学民. 统计与决策. 2010(12)
[10]关于核函数选取的方法[J]. 王炜,郭小明,王淑艳,刘丽琴. 辽宁师范大学学报(自然科学版). 2008(01)
博士论文
[1]模糊时间序列模型及其在股指趋势分析中的应用研究[D]. 邱望仁.大连理工大学 2012
硕士论文
[1]基于ARIMA-LSTM的架空线状态数据挖掘[D]. 钟令枢.华南理工大学 2016
[2]模糊时间序列预测模型研究及其在污水处理上的应用[D]. 倪明.西南石油大学 2012
[3]基于改进神经网络的铁路货运量预测研究[D]. 吴晓玲.中南大学 2009
本文编号：2940857
【文章来源】：浙江财经大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
技术路线图
浙江财经大学硕士学位论文。在这三种方法中，采用矩方法得到的参数估计精度低，通常不能满足实际的要求；最大似然估计需要事先知道变量的概率分布形式，且实际情况较难。反观用最小二乘方法得到的估计，可以较直观地解释模型的建模意义。4．模型检验模型是否适用，应从三个方面进行考虑：一是模型必须要平稳和可逆的，伪回归等情形；二是一个合适的模型应尽可能提取原序列中的线性关系，因差应该尽可能地接近白噪声；三是各阶参数应该是显著的，如果某一阶参数拟合效果并没有影响，这一模型显然是可以进一步优化的。ARIMA 模型的建模流程如图 2-1 所示。
图 2-3 论域的划分表 2-2Alabama 大学 1971-1992 年的招生人数年度 真实值 模糊值 年度 真实值 模糊值1971 13055 A11982 15433 A31972 13563 A11983 15497 A31973 13867 A11984 15145 A3
【参考文献】：
期刊论文
[1]基于ARIMA模型与GM(1,1)模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐. 统计与决策. 2017(20)
[2]基于SARIMA模型的居民消费价格指数的预测[J]. 朱颜杰,樊顺厚,雷怀英. 统计与决策. 2014(04)
[3]基于MapReduce的K-Medoids并行算法[J]. 张雪萍,龚康莉,赵广才. 计算机应用. 2013(04)
[4]一种新的模糊时间序列模型的预测方法[J]. 陈刚,曲宏巍. 控制与决策. 2013(01)
[5]模糊时间序列模型在短期气候预测中的应用[J]. 王永弟. 南京信息工程大学学报(自然科学版). 2012(04)
[6]基于ARIMA模型的中国CPI走势预测分析[J]. 郭晓峰. 统计与决策. 2012(11)
[7]如何对中国CPI进行季节调整——基于X-12-ARIMA方法的改进[J]. 贺凤羊,刘建平. 数量经济技术经济研究. 2011(05)
[8]一种新的基于模糊C均值算法的模糊时间序列确定性预测模型[J]. 余文利,方建文,廖建平. 计算机工程与科学. 2010(07)
[9]ARIMA模型在广东省GDP预测中的应用[J]. 华鹏,赵学民. 统计与决策. 2010(12)
[10]关于核函数选取的方法[J]. 王炜,郭小明,王淑艳,刘丽琴. 辽宁师范大学学报(自然科学版). 2008(01)
博士论文
[1]模糊时间序列模型及其在股指趋势分析中的应用研究[D]. 邱望仁.大连理工大学 2012
硕士论文
[1]基于ARIMA-LSTM的架空线状态数据挖掘[D]. 钟令枢.华南理工大学 2016
[2]模糊时间序列预测模型研究及其在污水处理上的应用[D]. 倪明.西南石油大学 2012
[3]基于改进神经网络的铁路货运量预测研究[D]. 吴晓玲.中南大学 2009
本文编号：2940857
本文链接：https://www.wllwen.com/guanlilunwen/tongjijuecelunwen/2940857.html
