时间序列模型的预测方法研究

《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，更多相关内容在工程资料-天天文库。

1、河南城建学院题目：时间序列模型的预测方法研宄系另IJ:数理系专业：数学与应用数学姓名：学号：指导教师：2011年5月30日IABSTRACTII弓IW1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42.3关于在预测中常用的误差指标52.4时间序列的分解分析6第三章趋势变动分析83.1移动平均法83.2趋势模型法9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11第五章循环变动分析135.1直

2、接法135.2剩雑13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S166.4长期趋势因素T206.5循环变动因素C266.6不规则变动因素1276.7模型的预测276.8结论286.9分解法的改进29附录30参考文献32aw34摘要吋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组成。吋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。影响吋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

3、序列的发展变化。采用吋间序列分析进行预测吋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吋，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。吋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1992〜20

4、10年的季度GDP吋间序列，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，但增长速率奋放缓的迹象。预测结果的准确性较高，但随着预测吋间的延长，预测误差会逐渐增

5、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AbstractTimeseriesisaseriesofobservationsintimesequence,andcomposedoftwobasicelementsoftimeandobservation.Timeseriesanalysisisthestudyofmethodforquantitativeanalysisofquantitativecharactersofdevelopmentchangethings.F

6、actorsinfluencingthetimeseriescanbedividedintofourtypes:long-termtrends，seasonalchanges,circulationchangesandirregularchange.Throughdifferentcombinationsofthesecomponentsaffectthedevelopmentandchangesoftimeseries.Forecastingusingtimeseriesanalysisisrequiredtoarange

7、ofmodels，thismodelarecollectivelyreferredtoasatimeseriesmodel.Intheuseofthistimeseriesmodels，wealwaysassumethatsadatachangemodeoracombinationofamodelwillbealwaysoccur.Decompositionoftimeseriesanalysisfromthisperspectivebyunderstandingthecomponentsoftimeseries，andtr

8、ansformeditintoquantifiableseasonalmodels，usuallydividedintoadditionandmultiplicationmodel.Therefore，thismodelcanbefirstidentifiedandthendecompos