下列属于时间序列预测法的有

第五章 时间序列的指数平滑预测法

[习题]

一、 单项选择题

1. 当数据的随机因素较大时，选用的N因该（ ）。

A 较大 B 较小 C.随机选择 D.等于n

2. 当数据的随机因素较小时，选用的N因该（ ）。

A 较大 B. .随机选择 C.较小 D.等于n

3. 在移动平均值的计算中包括的过去观察值的实际个数（ ） A. 至少有5个 B. 必须一开始就明确规定 C 有多少个都可以 D至少有3个

4 温特线性和季节性指数平滑包括的平滑参数个数是（ ） Ａ１个 Ｂ ２个 Ｃ ３个 Ｄ ４个

５ 布朗单一参数线性指数平滑法包括的平滑参数个数是（ ） Ａ１个 Ｂ２个 Ｃ３个 Ｄ４个 ６ 序列有季节性时，应选用的预测法是（ ） Ａ 霍尔特双参数线性指数平滑法 Ｂ 布朗单一参数线性指数平滑法 Ｃ 温特线形和季节性指数平滑法 Ｄ 布朗二次多项式指数平滑法

７ 温特线形和季节性指数平滑法中，通常确定α、β和γ

第四章 时间序列预测法历史往往重复过去的故事

主要内容第一节 时间序列预测综述 第二节 平滑预测方法 第三节 趋势方程拟合法 第四节 季节变动预测法

第一节 时间序列预测综述时间序列 – 是指同一变量按照发生时间的先后顺序排列起来 的一组观察值 时间序列预测法 – 利用变量本身的历史数据进行预测的方法。通过 确定变量的历史模式，并认为在将来这一模式同 样有效来推断将来。是连续性原理的直接运用。 几个实践案例

理解预测很容易，谁都可以做。关键的问题是谁 做得准，如何评价预测结果很重要。 明确数据模式的用处，不同模式使用不同的 方法 通过误差大小判断预测结果的准确性

时间序列预测的步骤搜集数据 – 时间序列数据 分析数据模式 – 散点图，定性分析，数据特征分析 按照模式进行预测 – 建立适当的预测模型

时间序列基本模式长期趋势变动 – 是指由于某种根本性原因的影响，预测变量 在相当长的一段时期内，持续上升或持续下 降的变动形态。 – 分为：水平型模式；趋势型模式 季节变动模式 – 是指由于自然条件、社会条件的影响，预测 变量在一年内随季节的转变而引起的周期性 波动

时间序列基本模式(续)周期变动模式(循环变动模式)– 经济周期的变动以及由其所影响的预测变量的

实验3：时间序列平滑预测

3.1实验目的

1、了解移动平均法和指数平滑法的基本概念，基本原理；

2、掌握一次移动平均法，二次移动平均法，单指数平滑，双指数平滑和霍尔特指数平滑法预测模型形式，适用条件及内在机理；

3、掌握利用Excel软件实现一次移动平均法，二次移动平均法操作步骤； 4、掌握利用Eviews软件实现单指数平滑，双指数平滑和霍尔特指数平滑法预测的操作流程。

3.2实验原理

3.2.1移动平均法

移动平均法是根据一段时间序列的样本资料、逐项推移，依次计算包含一定项数的序时平均数，来预测序列趋势的一种平滑方法。它是最简单的自适应预测模型，主要包括一次移动平均和二次移动平均两种方法。

（一）一次移动平均法

一次移动平均法又称简单移动平均法，它是根据序列特征，计算一定项数的算术平均数作为序列下一期的预测值，这种方法随着时间的推移逐渐纳入新的数据同时去掉历史数据。

（1）计算公式：设时间序列为：x1,x2,?,xt一次移动平均的计算公式为：

1St?(xt?xt?1???xt?n?1)

n式中：St为第t期移动平均数；n为移动平均的项数。公式表明时间t每向前移动一个时期，一次移动平均便增加一个新近数据，去掉一个远期数据，得到

3. 时间序列分析法

对于预测，有定性和定量两类方法，定性的方法主要是作一些趋势性或转折点的判定。常用的方法有专家座谈会法，德尔菲法等。常用的定量预测方法有两种，一种是回归分析法，另一种常用方法就是时间序列分析法。这一章主要介绍有关时间序列分析法的有关内容。

3.1 基本概念

所谓时间序列就是一组按照一定的时间间隔排列的一组数据。这一组数据可以表示各种各样的含义的数值，如对某种产品的需求量、产量，销售额，等。其时间间隔可以是任意的时间单位，如小时、日、周、月等。通常，对于这些量的预测，由于很难确定它与其他因变量的关系，或收集因变量的数据非常困难，这时我们就不能采用回归分析方法进行预测，或者说，有时对预测的精度要求不是特别高，这时我们都可以使用时间序列分析方法来进行预测。

当然，时间序列分析法并非只是一种简单的预测分析方法，其实，基本的时间序列分析法确实很简单，但是也有一些非常复杂的时间序列分析方法。

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。因此可以首先识别出这种模式，然后采用外推的方式就可以进行预测了。

采用时间序列模型时

一、整体解读

试卷紧扣教材和考试说明，从考生熟悉的基础知识入手，多角度、多层次地考查了学生的数学理性思维能力及对数学本质的理解能力，立足基础，先易后难，难易适中，强调应用，不偏不怪，达到了“考基础、考能力、考素质”的目标。试卷所涉及的知识内容都在考试大纲的范围内，几乎覆盖了高中所学知识的全部重要内容，体现了“重点知识重点考查”的原则。

1．回归教材，注重基础

试卷遵循了考查基础知识为主体的原则，尤其是考试说明中的大部分知识点均有涉及，其中应用题与抗战胜利70周年为背景，把爱国主义教育渗透到试题当中，使学生感受到了数学的育才价值，所有这些题目的设计都回归教材和中学教学实际，操作性强。

2．适当设置题目难度与区分度

选择题第12题和填空题第16题以及解答题的第21题，都是综合性问题，难度较大，学生不仅要有较强的分析问题和解决问题的能力，以及扎实深厚的数学基本功，而且还要掌握必须的数学思想与方法，否则在有限的时间内，很难完成。

3．布局合理，考查全面，着重数学方法和数学思想的考察

在选择题，填空题，解答题和三选一问题中，试卷均对高中数学中的重点内容进行了反复考查。包括函数，三角函数，数列、立体几何、概率统计、解析几何、导数等几大版块问题。这些问题都是以知识为载体

3.2 具有季节性特点的时间序列的预测

这里提到的季节，可以是自然季节，也可以是某种产品的销售季节等。显然，在现实的经济活动中，表现为季节性的时间序列是非常多的。比如，空调、取暖设备、季节性服装的生产与销售所产生的数据等。对于季节性时间序列的预测，要从数学上完全拟合其变化曲线是非常困难的。但预测的目的是为了找到时间序列的变化趋势，尽可能地做到精确。从这个意义上来讲，可以有多种方法，下面介绍其中一种，即所谓季节系数法。季节系数法的具体计算步骤如下：

1．收集m年的每年各季度或者各月份（每年n个季度）的时间序列样本数据xij。 2．计算每年所有的季度或所有月份的算术平均值，即：

1mn

xij,

ki 1j 1

m

k mn

3．计算同季度或同月份数据的算术平均值.j

x

i 1

ij

,j 1,2, ,n

4．计算季节系数或月份系数 j .j/。其中j 1,2, ,n为季度或者月份的序号。 5．预测计算。当时间序列是按季度列出时，先求出预测年份（下一年）的年加权平均：

ym 1

n

w1y1 w2y2 wmym

w1 w2 wm

式中，yi

x

j 1

ij

为i年份的年合计数：wi为i年份权数，按自然数列取值。再计算预

测年份的季度平均值m 1:m 1 ym 14。最

下列哪项属于副交感神经的作用? A．瞳孔扩大 B．糖原分解增加 C．骨骼肌血管舒张o D．消化道括约肌收缩

脊髓前角α运动神经元轴突末梢释放的递质是： A．．乙酰胆碱o B．多巴胺

C．去甲肾上腺素 D．甘氨酸

摄食中枢位于： A．延髓 B．中脑 C．丘脑 D．下丘脑o

叩击跟腱引起与该肌腱相连的肌肉收缩，是由于刺激了下列哪种结构？ A．腱器官 B．痛觉感受器 C．肌梭o

D．皮肤感觉器

关于条件反射的叙述，下列哪一项是不正确的？ A．形成的基本条件是条件反射刺激o B．是后天经过学习训练形成的 C．数量无限

D．使机体具有更大的适应性

关于突触前抑制的叙述，正确的是： A．突触前膜超极化 B．突触后膜超极化 C．突触前膜去极化o D．突触前膜释放抑制性递质 兴奋性突触后电位的产生，是由于提高了下列哪种离子的通透性？ A．Ca2+ B．Cl- C．K+

D．Na+和K+，尤其是Na+o

在整个反射弧中，最易出现疲劳的部位是： A．感受器 B．传入神经元

C．反射中枢中的突触o D．传出神经元

皮层运动区的部位是： A．中央前回o B．中央后回 C．额叶 D．枕叶

交感神经活动增强时，下列哪一项不出现? A．肠蠕动抑制 B．瞳孔开大肌收缩 C．

CPI的时间序列分析,eviews~~

数学建模论文

参赛题号：参赛题目：院系：数学与信息科学学院专业：信息与计算科学学号：姓名：黄涛涛联系方式：邮箱：B

CPI的分析与预测

200811723 13523556145

huangtaotaoncwu@

CPI的时间序列分析,eviews~~

CPI的分析与预测模型

摘要

本文以我国的CPI作为研究对象，基于CPI数据存在明显的非平稳性和季节性特征，我们运用自回归单整移动平均季节模型（SARIMA模型）进行建模分析，并利用SPSS和eviews，分别建立了CPI定基指数序列与石油价格时间序列的关系模型（模型1）和CPI定基指数时间序列的关系模型（模型2）。从模型的结果分析来看，模型1较好的解释了石油与CPI之间的关系，并得出石油价格时间序列{Oilt}与CPI定基指数的相伴概率为0.0136，小于0.05的置信水平，证明了石油价格对CPI的影响是显著的；对于模型2，它对样本内数据的拟合图显示出其对CPI定基指数具有较高的拟合度，然后，我们对08年6月至12月的数据（样本外数据）进行了预测，数据的预测结果显示，其误差均不超过0.97%，说明模型2具有较好的预测效果。

关键字：CPI定基指数 时间序列 SARI

%% 清空环境变量 clc clear

%% 网络参数配置

load traffic_flux input output input_test output_test

M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数

n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数

%权值初始化

Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1;

%节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n);

%权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);

d_b=zeros(1,n);

%% 输入输出数据归一化

[inputn,inputps]=mapminmax(input');

时间序列分析 教案

第5、6章 测试题

1. 时间序列{xt}的d阶差分实质上是一个d阶自回归过程， 则?xt?（1?B）xt?

ddii(?1)C?dxt?i ； i?0d2. 假设线性非平稳序列{xt}形如：xt?1?2t?at，

其中E（at）?0,Var（at）??2，Cov（at，at-1）?0，?t?1，

则?xt?xt?xt?1?2?at?at?1，?2xt??xt??xt?1?at?2at?1?at?2； 并说明为何说?2xt为过差分？

因为1阶和2阶差分后，序列均平稳，但Var(?xt)?Var(at?at?1)?2?2， 而Var(?2xt)?Var(at?2at?1?at?2)?6?，2阶差分后的方差大，过差分。 2

?1??1B）?xt?（（1??1B??2B2）?t?3. 形如：?E(?t)?0，Var(?t)???2,E(?t?s)?0,s?t的模型，

?Ex??0,?s?t?st简记为 ARIMA(1,1,2) 模型，并说明此模型的平稳性。 此为不平稳模型。

4. 模型ARIMA（0，1，0）称为 随机游走 模型， 其序列的方差 Var（xt）?Var(x0??t??t?