短时间序列分析及其建模方法研究

发布时间：2017-09-27 17:26

  本文关键词：短时间序列分析及其建模方法研究

  更多相关文章： 时间序列 ARIMA 季节性 贝叶斯 调和方法

【摘要】：随着我国高新技术产业和互联网产业的快速发展,在政府和企业管理与生产的过程中通常会产生大量的数据,如何利用这些数据帮助管理者做出科学地决策是增强政府执政能力和企业竞争力的重要手段。时间序列分析是数理统计学的一个重要分支,主要用于研究一列有序数据的变化规律并预测其将来的发展趋势。短时间序列是指历史观测值较少的序列,大量产生于生产和管理的进程中。但对于短时间序列,建立在数理统计基础上的传统分析方法并不适用,目前也没有一个相对成熟的建模方法体系,而且在数据的收集上,长序列的收集要比短序列需要更多的人力资源和技术支持,增加了生产和管理的成本。因此,提出一个针对短时间序列有效的预测模型具有很大的实际应用价值。本文针对短时间序列的特点,运用贝叶斯方法并利用时间序列的稳定季节性,提出了正态总体的稳定季节性贝叶斯模型,此模型相比较传统的ARIMA模型,在短时间序列的预测精度上有明显提高。在实际应用上,将此模型应用到航空旅客量的短序列预测上,并与ARIMA模型在长序列的预测上进行对比,对比结果表明,无论是年度总量的预测还是月度分量的预测,本文所提出的短时间序列模型在预测的精度上较ARIMA模型都有明显提高。此外,本文还提出了针对短时间序列集的预测调和方法,通过对序列集总量的预测去调节单个序列的预测结果,从而使得大多数序列的预测精度得以提高。短时间序列集的预测调和方法在很大程度上解决了短时序列观测值少、序列无规律等预测难题,并且可以配合任何时间序列模型使用,具有很大的实际应用价值。
【关键词】：时间序列 ARIMA 季节性 贝叶斯 调和方法
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224
【目录】：

• 摘要4-5
• Abstract5-6
• 第一章 引言6-10
• 1 研究的动机和意义6-7
• 1.1 研究的动机6-7
• 1.2 研究意义7
• 2 研究背景7-8
• 3 论文结构8-10
• 第二章 经典时间序列分析方法及局限性10-21
• 1 时间序列分析的发展与基本理论10-12
• 2 经典时间序列分析12-21
• 2.1 ARIMA模型体系12-14
• 2.1.1 自回归（AR）模型12-13
• 2.1.2 移动平均（MA）模型13
• 2.1.3 自回归移动平均（ARMA）模型13-14
• 2.1.4 求和自回归移动平均（ARIMA）模型14
• 2.2 经典时间序列建模方法14-21
• 2.2.1 平稳性检验15-16
• 2.2.2 模型的识别16
• 2.2.3 参数估计16-19
• 2.2.4 模型的检验与优化19-20
• 2.2.5 经典时间序列分析的局限性20-21
• 第三章 短时间序列分析方法21-32
• 1 灰色预测模型21-22
• 2 巴斯模型22-23
• 3 数据挖掘模型23-25
• 3.1 神经网络模型23-25
• 3.2 支持向量机25
• 4 稳定季节性贝叶斯模型（SSBM）25-32
• 4.1 稳定季节性26-28
• 4.2 贝叶斯模型28-32
• 4.2.1 似然函数的求解28-29
• 4.2.2 构造后验分布29-30
• 4.2.3 X_(T+1) 的预测30-32
• 第四章 短时间序列预测建模方法32-48
• 1 短时间序列集的预测调和方法32-38
• 1.1 调和方法的基本原理32-35
• 1.2 ARIMA模型的预测35-36
• 1.3 分摊比例的调和方法36-37
• 1.4 调和结果分析37-38
• 2 短时间序列季节性贝叶斯模型38-48
• 2.1 贝叶斯理论38-39
• 2.2 季节性贝叶斯模型39
• 2.3 正态总体的稳定季节性贝叶斯模型（N-SSBM）39-48
• 2.3.1 稳定季节性回顾39-43
• 2.3.2 模型阐述43-44
• 2.3.3 贝叶斯分析方法44-46
• 2.3.4 结果对比46-48
• 第五章N-SSBM在航空旅客量上的应用48-61
• 1 基于ARIMA模型的预测48-53
• 2 基于N-SSBM的预测53-59
• 第六章 结论59-61
• 参考文献61-65
• 附录65-68
• 致谢68-69
• 攻读学位期间发表的学术论文69-70

【相似文献】

中国期刊全文数据库 前10条

1 王志平,张海帆;中国工业时间序列分析及预测[J];统计与决策;2004年08期

2 刘圆圆;;时间序列分析及其应用[J];科技创新导报;2011年27期

3 田园;;我国A股走势的时间序列分析[J];中国商贸;2012年30期

4 周小雄;;经济信息业务知识讲座 第三章 时间序列分析预测[J];广东金融研究;1984年09期

5 谢衷洁,刘亚利,叶伟彰,黄香;关于J-效应的时间序列分析及其政策性实验[J];北京大学学报(自然科学版);2000年01期

6 易明;郭徽;;关于上证(A股)指数的时间序列分析[J];消费导刊;2008年17期

7 高峰;;顾客满意度时间序列分析应用研究[J];中国质量;2009年01期

8 刘亮;唐海萍;张丽军;;基于ARMA模型的财政教育投资时间序列分析[J];北京师范大学学报(自然科学版);2010年02期

9 张先兵;张松;;我国人均国内生产总值的时间序列分析(1952-2011)与静态预测(2012-2015)[J];现代管理科学;2013年06期

10 张黛华;高俊芳;朱梅;;时间序列分析在机床产品预测中的应用[J];预测;1986年06期

中国重要会议论文全文数据库 前10条

1 高峰;;时间序列分析在顾客满意度中的应用研究[A];第三届中国质量学术论坛论文集[C];2008年

2 郑文衡;陈俊华;严尊国;杨立明;张秋文;;用时间序列分析预报地震的新途径[A];1995年中国地球物理学会第十一届学术年会论文集[C];1995年

3 苏春宏;张宏;;时间序列分析在规划环境影响评价环境背景分析中的应用[A];2010中国环境科学学会学术年会论文集(第二卷)[C];2010年

4 钟球;蒋莉;周琳;李建伟;陈瑜晖;连永娥;;广东省结核病发病趋势的时间序列分析[A];中国防痨协会科普委员会第十二届学术大会论文集[C];2010年

5 余卫东;闵庆文;;商丘市居民生活消费生态足迹的时间序列分析[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集（下册）[C];2004年

6 李圣明;;时间序列分析及其在变形监测中的应用研究[A];湖北省测绘学会2006年度科学技术交流会论文集[C];2006年

7 郑璐石;郑颖人;;对时间序列分析的建模问题初探[A];水电与矿业工程中的岩石力学问题——中国北方岩石力学与工程应用学术会议文集[C];1991年

8 刘晓斌;;小波网络在经济时间序列分析中的应用[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集（第4卷）[C];1997年

9 任永建;周锁铨;石顺吉;;2005年南京市PM_(10)浓度时间序列分析[A];中国气象学会2007年年会大气成分观测、研究与预报分会场论文集[C];2007年

10 闵庆文;余卫东;成升魁;;商丘市居民生活消费生态足迹的时间序列分析[A];生态学与全面·协调·可持续发展——中国生态学会第七届全国会员代表大会论文摘要荟萃[C];2004年

中国重要报纸全文数据库 前3条

1 ;统计新书评介[N];中国信息报;2001年

2 本报记者 李爱铭;“小神算”出手,误差仅六千[N];解放日报;2010年

3 早报记者 韩晓蓉　实习生 杨鑫P";高中生用数学模型预测世博客流 平均误差6000人[N];东方早报;2010年

中国博士学位论文全文数据库 前4条

1 聂淑媛;时间序列分析的早期发展[D];西北大学;2012年

2 张晋昕;医学时间序列分析及其预测应用相关问题的研究[D];第四军医大学;2000年

3 王鼐;非线性动力学方法在时间序列分析中的应用[D];复旦大学;2005年

4 鲍漪澜;基于支持向量机的金融时间序列分析预测算法研究[D];大连海事大学;2013年

中国硕士学位论文全文数据库 前10条

1 李雪;基于EMD的变形预测组合模型的研究与应用[D];长安大学;2015年

2 朱学婷;基于RBF-GARCH模型的股指预测研究[D];兰州大学;2015年

3 李岭;基于GARCH与BP-ANN的股价预测能力比较研究[D];西南交通大学;2015年

4 王健;基于时间序列分析的宁夏能源消费预测[D];宁夏大学;2015年

5 朱晓楠;基于聚类和时间序列分析的保险业发展水平研究[D];苏州大学;2015年

6 钱晓东;基于时间序列分析的风电功率预测研究[D];山西大学;2015年

7 赵薇;基于时间序列分析与数据模型的过程报警管理系统[D];电子科技大学;2014年

8 李璐洁;基于时间序列分析的内燃机故障诊断及GUI的设计[D];西安电子科技大学;2014年

9 郭松;基于时间序列分析的基坑沉降监测数据分析研究[D];东华理工大学;2015年

10 陈瑶;基于时间序列分析的我国GDP预测模型[D];苏州科技学院;2015年

，

本文编号：930979