毕业论文--时间序列模型的预测方法研究

《毕业论文--时间序列模型的预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、河南城建学院2011届本科生毕业论文毕业论文题目：时间序列模型的预测方法研究系别：数理系专业：数学与应用数学姓名：王德杰学号：171407134指导教师：刘雅妹河南城建学院2011年5月30日河南城建学院2011届本科生毕业论文目录摘要ⅠABSTRACTⅡ引言1第一章时间序列预测法的含义及特点21.1时间序列预测法的含义21.2时间序列预测法的特点2第二章时间序列分解42.1时间序列的构成因素42.2时间序列的分解模型52.3关于在预测中常用的误差指标52.4时间序列的分解分析7第三章趋势变动分析83.1移动平均法

2、83.2趋势模型法10第四章季节变动分析114.1月（季）平均法114.2移动趋势剔除法12第五章循环变动分析135.1直接法135.2剩余法14第六章基于时间序列的分解法在季度GDP中的应用156.1数据来源与原始数据预处理156.2季节变动因素S176.4长期趋势因素T216.5循环变动因素C266.6不规则变动因素I286.7模型的预测286.8结论296.9分解法的改进30附录30参考文献33致谢34河南城建学院2011届本科生毕业论文摘要时间序列是按照时间顺序取得的一系列观察值，由时间和观察值两个基本要素

3、组成。时间序列分析就是研究事物发展变化数量特征的量化分析方法。影响时间序列的因素可以分为四种：长期趋势、季节变动、循环变动和不规则变动，这些成分通过不同的组合方式影响时间序列的发展变化。采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。在使用这种时间序列模型时，总是假定某一种数据变化模式或某一种组合模式总是会重复发生的。时间序列分析的分解法从这个角度出发理解时间序列的构成因素，并将其转化成可量化的季节模型，通常分为加法模型和乘法模型。因此可以首先识别出这种模型，然后将时间序列的各个构成因素

4、逐一分解出来，建立适合的曲线模型，就可以进行预测了。本文通过具体实例，研究了时间序列模型在我国季度GDP预测中的应用，并分析探讨了模型的准确性和实用性。文章分析了我国1992~2010年的季度GDP时间序列，在剔除了季节性变动之后，建立趋势预测模型，通过对不同模型进行比较后发现：三次多项式模型能很好地拟合我国季度GDP时间序列，可用该模型进行预测。然后再剔除趋势变动，进而求得循环指数，由于不规则变动因素是不可预测的,本文对不规则变动因素不作分解。最后根据乘法模式进行预测，得出了2010年四个季度和2011四个季度的

5、GDP数据，另外，通过预测值计算季度GDP同比增长率后发现，我国2011季度GDP仍然呈现较高的增长趋势，但增长速率有放缓的迹象。预测结果的准确性较高，但随着预测时间的延长，预测误差会逐渐增大，其精度也会下降，不过该预测仍然具有一定现实意义。关键字：时间序列模型；分解法；季度GDP；预测II河南城建学院2011届本科生毕业论文AbstractTimeseriesisaseriesofobservationsintimesequence,andcomposedoftwobasicelementsoftimeandob

6、servation. Timeseriesanalysisisthestudyofmethodforquantitativeanalysisofquantitativecharactersofdevelopmentchangethings.Factorsinfluencingthetimeseriescanbedividedintofourtypes: long-termtrends,seasonalchanges,circulationchangesandirregularchange. Throughdiffe

7、rentcombinationsofthesecomponentsaffectthedevelopmentandchangesoftimeseries.Forecastingusingtimeseriesanalysisisrequiredtoarangeofmodels,thismodelarecollectivelyreferredtoasatimeseriesmodel. Intheuseofthistimeseriesmodels,wealwaysassumethatsadatachangemodeorac

8、ombinationofamodelwillbealwaysoccur. Decompositionoftimeseriesanalysisfromthisperspectivebyunderstandingthecomponentsoftimeseries,andtransformeditintoquantifiableseasonalmodels,usu