本文關(guān)鍵詞：短時間序列預(yù)測建模及應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】： 預(yù)測是指人們在觀察和分析客觀事物發(fā)展的歷史和現(xiàn)狀的基礎(chǔ)上,尋找未來事物潛在的發(fā)展規(guī)律,進(jìn)而尋求對未來狀況的了解。預(yù)測的理論和方法可以廣泛地應(yīng)用到自然現(xiàn)象和社會現(xiàn)象的各個領(lǐng)域,從而形成社會預(yù)測、政治預(yù)測、軍事預(yù)測、醫(yī)學(xué)預(yù)測、災(zāi)害預(yù)報、生物預(yù)測、氣象預(yù)測、經(jīng)濟(jì)預(yù)測等。市場經(jīng)濟(jì)條件下,經(jīng)濟(jì)活動不斷變化和發(fā)展的,復(fù)雜程度也越來越高,具有高度不確定性。為了降低決策的風(fēng)險,提高管理的科學(xué)水平,增強對未來情況的可預(yù)見性,經(jīng)濟(jì)預(yù)測受到廣泛的關(guān)注。無論是政府的宏觀決策還是企業(yè)的微觀決策都離不開科學(xué)的經(jīng)濟(jì)預(yù)測。法國展望與預(yù)測中心學(xué)者馬塞爾.巴揚指出“在任何時候,我們都要先于競爭對手捕捉到未來技術(shù)的發(fā)展前景和消費者的要求。同時,要有足夠的勇氣利用預(yù)測的成果做出決策”。預(yù)測與決策是管理的兩個重要組成部分,管理的關(guān)鍵在于決策,而決策的前提是預(yù)測。[’]在商業(yè)環(huán)境中,管理者需要不斷的做出各種決策,很大程度上企業(yè)的成功取決于這些決策的正確性。企業(yè)只有對產(chǎn)品的市場需求、自身的生產(chǎn)能力等各方面的發(fā)展變化進(jìn)行正確的預(yù)測,了解市場供求情況,及時把握市場的發(fā)展方向和趨勢,才能根據(jù)市場需求調(diào)整競爭策略、生產(chǎn)規(guī)模,在激烈的市場競爭中取得經(jīng)濟(jì)效益。在環(huán)境日益復(fù)雜多變的情況下,如何科學(xué)地預(yù)測,進(jìn)而合理地做出決策已成為當(dāng)今管理人員必須具備的能力。凡事預(yù)則立,不預(yù)則廢,企業(yè)管理者只有做到心中有數(shù),才能克服決策的盲目性,更好發(fā)揮科學(xué)管理的職能。 在現(xiàn)代預(yù)測方法和計算機技術(shù)出現(xiàn)之前,管理者主要的預(yù)測工具就是主觀判斷。然而僅靠主觀判斷做出的預(yù)測遠(yuǎn)遠(yuǎn)沒有定量預(yù)測技術(shù)做出的預(yù)測準(zhǔn)確。信息技術(shù)的發(fā)展、計算機的普及,以及更多成熟的預(yù)測方法的發(fā)展,尤其是相關(guān)分析軟件的激增,使得大量信息數(shù)據(jù)的儲存、收集、處理和分析能力大大提高,從而為利用科學(xué)方法和手段進(jìn)行定量預(yù)測提供了基礎(chǔ)。作為定量預(yù)測的重要組成部分,時間序列分析預(yù)測的發(fā)展已經(jīng)有幾十年的歷史,在國內(nèi)外學(xué)者的共同努力下形成了相對成熟、完善的預(yù)測機制。時間序列(Time series)是指隨時間順序出現(xiàn)的一連串觀測值序列,此序列實際為有限的觀測資料集合。在企業(yè)收集的數(shù)據(jù)資料中,大部份為時間序列,如日每股收益率、每月短信業(yè)務(wù)量、每月通信收入等。近年來,由于信息業(yè)軟件及硬件的迅速發(fā)展,數(shù)據(jù)分析在政府與企業(yè)管理決策過程中逐漸扮演益加重要的腳色。時間序列分析方法也已被各界所廣泛地采用,其主要應(yīng)用的目的大致包括：[2] 1.通過對個別序列前后期相關(guān)性的了解來對序列未來觀測值作預(yù)測。 2.同時分析數(shù)個相關(guān)的序列,以了解序列前后期及同期間的關(guān)系。如果這類動態(tài)關(guān)系存在,將可被用來提高預(yù)測準(zhǔn)確度,以及對系統(tǒng)中某些變量的調(diào)控有助益。 3.將序列分解成幾個主要成份(如趨勢成份、季節(jié)變化成份、循環(huán)成分、不規(guī)則成份),以增進(jìn)對序列動態(tài)行為的了解。 4.對理論性模式與數(shù)據(jù)進(jìn)行適合度檢定,以討論模式是否能正確地表示所觀測的現(xiàn)象, 5.對特殊政策或事件的影響加以評估。 短時間序列數(shù)據(jù),其基本特征是單個序列的觀測數(shù)量較少,而以上的幾種應(yīng)用均以足夠數(shù)量的觀測點為分析的前提�，F(xiàn)有的時間序列處理方法,不管是統(tǒng)計方法,還是數(shù)據(jù)挖掘方法,對長序列的關(guān)注都遠(yuǎn)遠(yuǎn)多于短序列,很多情況下,已經(jīng)獲得的大量有用的短時間序列卻無法直接應(yīng)用于已有的時間序列預(yù)測模型,或者盡管可以應(yīng)用,但是預(yù)測的效果差強人意。數(shù)據(jù)挖掘算法盡管一定程度上改善了傳統(tǒng)的時間序列分析算法在短時間序列預(yù)測的精度,但是對于企業(yè)應(yīng)用來說,計算過程過于復(fù)雜,對預(yù)測人員和預(yù)測工具的要求都很高,導(dǎo)致預(yù)測的成本大大增加。 基于此,本文致力于建立一個應(yīng)用性強、預(yù)測效果更好的短時間序列預(yù)測的模型。該模型的基本原理是：利用時間序列呈現(xiàn)出的季節(jié)性和趨勢性,分別建立基于給定歷史數(shù)據(jù)季節(jié)末總量的季節(jié)內(nèi)部分累積量的條件分布模型和季節(jié)末的趨勢模型,利用預(yù)測周期內(nèi)的已知的少數(shù)觀測值來預(yù)測周期末總量；最后在總量預(yù)測的基礎(chǔ)上進(jìn)一步預(yù)測周期內(nèi)的觀測值。該模型最大的特點在于對觀測值少的時間序列有很高的預(yù)測效率。在理論建模的基礎(chǔ)上,本文更強調(diào)模型應(yīng)用性和實證的檢驗。在實證方面,本文將電信行業(yè)的數(shù)據(jù)應(yīng)用于該模型,同時將預(yù)測結(jié)果同ARIMA模型進(jìn)行比較,實驗結(jié)果表明,在短時間序列預(yù)測方面,本文的模型在預(yù)測效率上有很大的改進(jìn)。此外,該模型不僅可以開發(fā)成可操作的界面程序,而且可以在MATLAB、EXCEL中實現(xiàn),大大提高了可操作性,具有很高的應(yīng)用價值。
【關(guān)鍵詞】：時間序列 預(yù)測 ARIMA 季節(jié)性 趨勢性
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2009
【分類號】：C934
【目錄】：

• 摘要4-7
• ABSTRACT7-9
• 目錄9-11
• 第一章 緒論11-28
• 1.1 研究背景11-17
• 1.1.1 宏觀背景11-13
• 1.1.2 行業(yè)背景13-15
• 1.1.3 技術(shù)背景15-17
• 1.2 研究動機和意義17-23
• 1.2.1 研究動機17-21
• 1.2.2 研究的意義21-23
• 1.3 研究內(nèi)容及結(jié)構(gòu)安排23-28
• 1.3.1 研究內(nèi)容23-26
• 1.3.2 論文結(jié)構(gòu)26-28
• 第二章 時間序列預(yù)測理論回顧28-51
• 2.1 預(yù)測理論回顧28-33
• 2.1.1 預(yù)測的概念28-29
• 2.1.2 預(yù)測的分類29-31
• 2.1.3 預(yù)測的原則和步驟31-33
• 2.2 回歸預(yù)測理論回顧33-36
• 2.2.1 回歸分析的概念33-34
• 2.2.2 回歸預(yù)測的過程34-36
• 2.3 時間序列預(yù)測理論回顧36-45
• 2.3.1 時間序列的概念36-40
• 2.3.2 時間序列分析理論回顧40-42
• 2.3.3 隨機時間序列分析模型(時域分析)42-45
• 2.4 短時間序列預(yù)測理論回顧45-51
• 2.4.1 應(yīng)用灰色系統(tǒng)理論模型進(jìn)行短時間序列預(yù)測45-46
• 2.4.2 應(yīng)用數(shù)據(jù)挖掘進(jìn)行短時間序列預(yù)測46-47
• 2.4.3 短時間序列預(yù)測新思路47-51
• 第三章 季節(jié)性條件概率模型(SM)建模51-77
• 3.1 引言51-54
• 3.1.1 時間序列季節(jié)因素相關(guān)概念51-52
• 3.1.2 季節(jié)調(diào)整的理論依據(jù)52-53
• 3.1.3 時間序列分析中季節(jié)性的調(diào)整技術(shù)53-54
• 3.2 基于季節(jié)末總量的部分累積量條件分布模型54-72
• 3.2.1 相關(guān)變量定義54-57
• 3.2.2 季節(jié)的穩(wěn)定性及其在短時間序列預(yù)測中的應(yīng)用57-66
• 3.2.3 穩(wěn)定季節(jié)性短時間序列模型構(gòu)建66-68
• 3.2.4 非穩(wěn)定性模型構(gòu)建68-72
• 3.3 模型實驗結(jié)果及分析72-77
• 3.3.1 實驗工具及實驗數(shù)據(jù)72-73
• 3.3.2 模型的應(yīng)用及結(jié)果分析73-77
• 第四章 趨勢性自回歸模型(TM)建模77-89
• 4.1 引言77-83
• 4.1.1 時間序列趨勢性的概念77-79
• 4.1.2 趨勢性在時間序列分析中的應(yīng)用79-83
• 4.2 季節(jié)末總量趨勢自回歸模型83-86
• 4.2.1 相關(guān)變量定義84
• 4.2.2 短時間序列總量趨勢模型(TM)建模84-86
• 4.3 模型實驗結(jié)果及分析86-89
• 4.3.1 實驗工具及實驗數(shù)據(jù)86
• 4.3.2 模型的應(yīng)用和結(jié)果分析86-89
• 第五章 季節(jié)-趨勢性混合預(yù)測模型(SITM)建模89-109
• 5.1 引言89-95
• 5.1.1 理論回顧89-91
• 5.1.2 SSP(Stable Seasonal Pattern)預(yù)測模型91-93
• 5.1.3 帶有季節(jié)性模式的短時間序列貝葉斯預(yù)測模型93-95
• 5.2 季節(jié)-趨勢性混合預(yù)測模型(SITM)95-99
• 5.2.1 變量定義和基本假設(shè)95-97
• 5.2.2 模型構(gòu)建97-99
• 5.2.3 季節(jié)末總量分解99
• 5.3 模型實驗結(jié)果及分析99-109
• 5.3.1 實驗設(shè)計99-100
• 5.3.2 實驗工具及實驗數(shù)據(jù)100-102
• 5.3.3 模型的應(yīng)用102-106
• 5.3.4 模型結(jié)果分析106-109
• 第六章 SITM預(yù)測模型在電信業(yè)務(wù)預(yù)測中的應(yīng)用研究109-119
• 6.1 引言109-111
• 6.1.1 電信業(yè)務(wù)預(yù)測理論綜述109-110
• 6.1.2 電信業(yè)務(wù)數(shù)據(jù)分析110-111
• 6.2 基于ARIMA預(yù)測模型的電信業(yè)務(wù)預(yù)測實踐111-116
• 6.2.1 數(shù)據(jù)準(zhǔn)備111-112
• 6.2.2 模型識別112-114
• 6.2.3 預(yù)測114-116
• 6.3 基于SITM預(yù)測模型的電信業(yè)務(wù)預(yù)測實踐116-117
• 6.4 模型結(jié)果分析與比較117-119
• 第七章 總結(jié)與展望119-121
• 7.1 內(nèi)容總結(jié)119-120
• 7.2 創(chuàng)新點120
• 7.3 展望120-121
• 參考文獻(xiàn)121-130
• 附錄130-132
• 致謝132-133
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文133

【引證文獻(xiàn)】

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 孫偉;基于泄漏量監(jiān)測的減壓閥泄漏預(yù)測模型研究[D];上海交通大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 王曉婕;國內(nèi)家具市場影響因素及需求預(yù)測研究[D];東北林業(yè)大學(xué);2011年

  本文關(guān)鍵詞：短時間序列預(yù)測建模及應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：444958