季节时间序列季节调整和模糊预测方法

《季节时间序列季节调整和模糊预测方法》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、0IlllIlllIIUllllIlllIY2300227TheseasonaladjustmentofseasonaltimeseriesandfuzzyforecastingmethodAthesisSubmittedtoDalianMaritimeUniversityInpartialfulfillmentoftherequirementsforthedegreeofMasterofSciencebyLuoMin(AppliedMathematics)ThesisSupervisor：ProfessorChenGangJun

2、e2013大连海事大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：本论文是在导师的指导下，独立进行研究工作所取得的成果，撰写成硕士学位论文“季节时间序列的季节调整与模糊预测方法”。除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。论文作者签名：、致为脾多月汐日学位论文版权使用授权书本学位论文作者及指导教师完全了解“大连海事大学研究生学位论文提交、版权使用管理办法”，同意大

3、连海事大学保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许论文被查阅和借阅。本人授权大连海事大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。保密口，在——年解密后适用本授权书。本学位论文属于：保密口不保密留(请在以上方框内打。·√’，)论文作者签名：缀新签名：倪纠日期：芦，弓年∥，劬日中文摘要摘要模糊时间序列模型在过去的十几年里已经取得了很大的发展。这些模型在预测时，通常不考虑时间序列的平稳性。然而在预测不平稳的时间序列时，会影响预测精度，同时，在模糊时

4、间序列预测模型中有许多因素同样会影响预测的精度，其中论域的划分和数据的模糊化是两个重要部分。本文针对上述的问题进行了以下的研究，最后提出了一种改进的模糊时间序列模型来有效的预测季节时间序列。在季节调整上，针对目前利用移动比率移动平均算法去除时间序列中季节性中丢失缺失项的问题。本文提出了一种改进的趋势分析方法，去掉季节性的时问序列就变得平滑了，进而可以结合模糊时间序列进行预测。在论域划分上，本文利用FCM算法对论域划分。同时给出了一种有效性准则来说明聚类的效果。从而使聚类更有说服力，有助于提高预测的精度。在数据模糊化上，主观定义模糊

5、集不能真实地反映数据结构的分布。本文使用陈刚老师提出的根据距离定义的模糊集。最后通过台湾机器生产数据的预测结果表明了利用这种新的模糊时间序列模型的有效性。关键词：季节时间序列；季节调整；模糊时间序列模型；FCM算法：数据模糊化英文摘要TheseasonaladjustmentofseasonaltimeseriesandfuzzyforecastingmethodIorecastiAbstractFuzzytimeseriesmodelshavebeendevelopedduringthelastdecade．Thesemodel

6、susuallydonotconsidertimeseriesstationarityinprediction．However，ifthetimeseriesisnotstationarity,itwillaffectthepredictionaccuracy．Meanwhile，severalfactorsthataffecttheforecastingaccuracy，suchasuniverseofdiscoursepartitionanddatafuzzificationaretwoparticularlyimportan

7、tpartiesonthefuzzytimeseriesmodels．theaboveproblemswillbestudiedinthispapertodevelopanimprovedfuzzytimeseriesmodelforforecastingtheseasonalpatternofdata．Intheseasonaladjustment．Inviewoftheproblemsthatusingtheratioofthemovingaveragealgorithmtoseasonaladjustmentwillmiss

8、someitems．Basedonthis，thepaperimprovesthismethodtoanalysistrend，thetimeserieswillbecomeeitherstationaryortrend．Intheuniverse