基于hp滤波与arma模型的生产安全事故时序预测

《基于hp滤波与arma模型的生产安全事故时序预测》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、基于HP滤波与ARMA模型的生产安全事故时序预测颜峻中国劳动关系学院安全工程系摘要：为了研究月度生产安全事故变化规律并进行预测，采用Ilodrick-Prcscott滤波将事故序列分解为长期稳定趋势和短期波动两部分。对长期事故序列进行了平稳性检验，建立了线性回归预测模型。通过比较不同形式模型变量的显著性，建立了反映事故短期波动的自回归移动平均模型，短期预测值用于修正长期趋势预测值。结果表明，事故序列在长期上符合线性冋归模型;事故短期波动预测ARMA（4,6）模型显示，事故波动变量与前1、2、4期存在自相关特征。关键词:安全;事故;趋势周期分解;Hodfick-Prescott滤波;AR

2、MA;作者简介：颜峻（1977-），男，中国劳动关系学院安全工程系，副教授，博士,安全工程。E-mai1:yanjunn@sina.com基金：中国劳动关系学院2014年院级科研项目（14YY002）国内生产安全事故时间序列具有长期稳定下降和短期波动等2种变化趋势，即事故在长期上具有线性下降趋势，短期上则围绕长期趋势线上下波动。未对变化趋势加以分解而肓接采用数据处理方法去除某种趋势成分的研究方法，不能对事故变化规律进行全面的判断。因此，事故趋势预测的前提是将共存的趋势特征序列加以分解，分别研究每种趋势内在特征并建立事故预测模型。事故预测方法主要包括自回归单整移动平均111、灰色预测⑵、

3、马尔科夫预测[3-5]、线性回归回、神经网络口1、指数平滑法固等。生产安全事故时间序列预测是在对牛产安全事故统计基础上，釆用时间序列分析方法对事故变化规律进行研究，找到事故趋势变化特征的预测方法。直观上看，生产安全事故变化过程具有较大的随机性，但安全生产状态会受到多种客观因素影响，其时间序列变化趋势不仅具有长期稳定变化特征而且在短期上表现为非线性波动，这一特征会影响到传统时间序列分析方法的预测效果。因此，有必要将事故变量序列中的长期下降和短期波动成份进行分解，再对分解后的事故序列加以分析和研究。本文基于2011年1刀至2016年8刀间造成3人及以上人员死亡（包括下落不明）的牛产安全事故

4、月度统计数据，从事故时间序列长期变化和短期波动趋势分解入手，建立事故长期趋势和短期波动修正预测模型。论文将采用Ilodrick-Prcscott滤波方法提取事故序列屮的长期趋势成分，建立事故变化稳定趋势成分的线性回归模型;对分解后的短期波动序列，采用自回归移动平均模型（ARMA）预测生产安全事故短期上围绕长期趋势线波动变化程度，用于对长期趋势模型进行修正。1数据与预处理2011年1月至2016年8月的生产安全事故月度时间序列，如图1回。直观上判断，月度事故序列具有长期波动下降趋势，为非平稳时间序列。为了验证序列具有的非平稳性，采用E-views［10］软件中的ADFFisher单位根检

5、验方法［11］对月度事故序列进行平稳性检验，检验模型为：式中：t—时间变量，代表序列的时间变化趋势；a一常数项；吋间项系数；§—前一期变量系数;模型假设均为Ho：8=0,即存在单位根。图1显示序列具有时间趋势项，因此检验模型也包含时间趋势项，检验结果，见表1。图1月度事故序列下载原图下载原表表1月度事故序列平稳性检验（水平值）表1显示，检验结果显著拒绝零假设，月度事故序列具有趋势平稳特征。进一步把时间趋势项去掉后，再进行检验，检验结果不能拒绝原假设，为非平稳时间序列。综合两种不同检验模型结论确定，月度事故序列为趋势平稳序列，具有确定性趋势。趋势平稳过程代表了一个时间序列长期稳定的变化过

6、程，用于进行长期预测更为可靠。2长期趋势平稳模型上述“事故时间序列为趋势平稳序列”的检验结果证明了木文关于序列具有长期趋势的判断是正确的，也为下一步研究提供了理论依据。下面着手将长期趋势和波动成分进行分解。本文采用IlodrickPrescott滤波方法提取事故序列具有的长期趋势成分。设£是包含趋势成分和波动成分的时间序列，Y：是长期趋势成分，Y,是波动成分，则HP滤波是通过对趋势成分进行约束，将£分离岀来，其约束条件为损失函数（3）达到最小，即其中，入为调节参数，入越大，估计趋势越光滑；入趋于无穷大吋，估计趋势将接近线性函数，通常对于月度数据X取14400o采用IIP滤波方法对事故序

7、列进行分解，分解结果，如图2。可知，原始序列围绕趋势线波动，采用最小二乘法对趋势序列进行拟合，得到长期趋势方程：图2HP滤波后的趋势成分Yt下载原图估计结果的调整R值为0.9893,说明模型的拟合度较好;常数项和时间趋势项系数估计值均达到1%显著性水平。至此，完成了对月度生产安全事故数（起）序列的长期趋势项分解和拟合。结果表明，事故序列的长期变化趋势符合时间的一元线性回归模型，这一结论与平稳性检验中“时间趋势项显著，为趋势平稳序列”结论一致。3