針對(duì)傳統(tǒng)基于AIRMA模型的預(yù)測(cè)算法中長(zhǎng)期預(yù)測(cè)效果較差問題,文章從全國(guó)蘋果產(chǎn)量數(shù)據(jù)內(nèi)在特征出發(fā),提出一種基于ARIMA-Kalman濾波混合算法的蘋果產(chǎn)量預(yù)測(cè)模型。首先對(duì)全國(guó)蘋果產(chǎn)量數(shù)據(jù)運(yùn)用時(shí)間序列分析法進(jìn)行非平穩(wěn)ARIMA模型建模,得到符合其變化規(guī)律的模型方程;然后結(jié)合Kalman濾波算法,建立預(yù)測(cè)遞推方程;最后選用1978—2016年全國(guó)蘋果產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)進(jìn)行實(shí)證分析。結(jié)果表明,混合預(yù)測(cè)算法的預(yù)測(cè)性能優(yōu)于傳統(tǒng)ARIMA模型,是一種有效的蘋果產(chǎn)量預(yù)測(cè)模型。
【部分圖文】：

01721.90年份1998199920002001200220032004200520062007產(chǎn)量1948.102080.202043.102001.501924.102110.182367.552401.112605.932785.99年份200820092010201120122013201420152016產(chǎn)量2984.663168.083326.333598.483849.073968.264092.324261.344388.231980198519901995200020052010年份300020001000蘋果產(chǎn)量/萬噸圖11978—2010年樣本序列曲線10.50-0.5-1自相關(guān)系數(shù)值05101520延遲圖2樣本序列對(duì)應(yīng)前20個(gè)自相關(guān)系數(shù)05101520延遲210-1-2偏自相關(guān)系數(shù)值圖3樣本序列對(duì)應(yīng)前20個(gè)偏自相關(guān)系數(shù)將{y}t一階差分處理，處理后序列時(shí)序圖顯示序列在均值附近穩(wěn)定波動(dòng)。一階差分處理后自相關(guān)系數(shù)在標(biāo)準(zhǔn)差范圍內(nèi)波動(dòng)，根據(jù)此特點(diǎn)判斷該序列具有短期相關(guān)性，進(jìn)一步確定一階差分后序列平穩(wěn)，且有正弦波動(dòng)軌跡，衰減到零非突然過程，而是一個(gè)連續(xù)漸變過程，這是自相關(guān)系數(shù)拖尾的典型特征。一階差分后序列偏自相關(guān)系數(shù)基本都在標(biāo)準(zhǔn)差范圍內(nèi)，序列具有相關(guān)性，一階差分后序列平穩(wěn)，偏自相關(guān)系數(shù)具有顯著拖尾特征，確定一階差分后，序列符合ARMA(1,1)模型。根據(jù)AIC準(zhǔn)則，反復(fù)檢驗(yàn)，最終將{y}t時(shí)間序列建模為ARIMA(1,1,1)，通過計(jì)算進(jìn)一步得到該模型預(yù)測(cè)方程：(1-0.778961B)(1-B)yt=(1+0.457346B)εt（2）ARIMA(1,1,1)模型預(yù)測(cè)結(jié)果如圖4所示，預(yù)測(cè)效果顯示，運(yùn)用ARIMA(1,1,1)對(duì)全國(guó)蘋果產(chǎn)量建模預(yù)測(cè)是可行的，該模型掌握了全國(guó)蘋果產(chǎn)量的變化規(guī)律，但均方誤差（MSE）為244.7203，數(shù)據(jù)較大，預(yù)測(cè)精度不高，需進(jìn)一步改進(jìn)。20112

潁?錘醇煅椋?鈧戰(zhàn)?{y}t時(shí)間序列建模為ARIMA(1,1,1)，通過計(jì)算進(jìn)一步得到該模型預(yù)測(cè)方程：(1-0.778961B)(1-B)yt=(1+0.457346B)εt（2）ARIMA(1,1,1)模型預(yù)測(cè)結(jié)果如圖4所示，預(yù)測(cè)效果顯示，運(yùn)用ARIMA(1,1,1)對(duì)全國(guó)蘋果產(chǎn)量建模預(yù)測(cè)是可行的，該模型掌握了全國(guó)蘋果產(chǎn)量的變化規(guī)律，但均方誤差（MSE）為244.7203，數(shù)據(jù)較大，預(yù)測(cè)精度不高，需進(jìn)一步改進(jìn)。201120122013201420152016年份真實(shí)值A(chǔ)RIMA模型預(yù)測(cè)值95%置信區(qū)間5000450040003500蘋果產(chǎn)量/萬噸圖4ARIMA模型預(yù)測(cè)結(jié)果2ARIMA-Kalman濾波混合算法蘋果產(chǎn)量預(yù)測(cè)模型2.1Kalman濾波算法原理卡爾曼（Kalman）濾波是一種通過對(duì)線性系統(tǒng)的狀態(tài)方程、觀測(cè)數(shù)據(jù)、系統(tǒng)噪聲等進(jìn)行一系列變換，得到系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)的算法[9]，原理如下：一般的線性離散系統(tǒng)可表示為：x(k+1)=(k+1?k)x(k)+Γ(k)w(k)（3）z(k)=H(k)x(k)+n(k)（4）式（3）和式（4）中，x(k)是m′1維狀態(tài)向量；(k+1?k)為從k時(shí)刻到k+1時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣；Γ(k)為m′p維激勵(lì)轉(zhuǎn)移矩陣；w(k)為p′1維系統(tǒng)噪聲向量；z(k)是n′1維觀測(cè)向量；H(k)為n′m測(cè)量矩陣；n(k)為n′1維測(cè)量噪聲向量；式（3）為狀態(tài)方程；式（4）為測(cè)量方程。2.2ARIMA-Kalman濾波狀態(tài)和預(yù)測(cè)方程構(gòu)建基于ARIMA模型的Kalman濾波混合算法關(guān)鍵在于通過將ARIMA模型轉(zhuǎn)換為狀態(tài)—空間表達(dá)式[8]，從而推導(dǎo)出Kalman濾波的狀態(tài)和測(cè)量方程[10]。設(shè){y}t是ARIMA(p,d,q)過程，且令Ct=dyt，則{C}t滿足因果ARIMA(p,d,q)過程：Φ(B)Ct=Θ(B)εt,t=0?-+1??（5）本文采?
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉婧;于洪芹;;山東省城鄉(xiāng)居民儲(chǔ)蓄存款余額ARIMA預(yù)測(cè)模型[J];廣東外語(yǔ)外貿(mào)大學(xué)學(xué)報(bào);2010年04期

2 付之鷗;周揚(yáng);陳誠(chéng);鄭洪偉;宋偉;李苑;陸偉;彭志行;;時(shí)間序列分析與機(jī)器學(xué)習(xí)方法在預(yù)測(cè)肺結(jié)核發(fā)病趨勢(shì)中的應(yīng)用[J];中國(guó)衛(wèi)生統(tǒng)計(jì);2020年02期

3 劉艷菲;宋耀蓮;;改進(jìn)的ARIMA乘積季節(jié)模型的研究[J];信息技術(shù);2018年12期

4 傅如南;林丕源;嚴(yán)尚維;孫愛東;;基于ARIMA的肉雞價(jià)格預(yù)測(cè)建模與應(yīng)用[J];中國(guó)畜牧雜志;2008年20期

5 劉杰;武欽發(fā);李偉國(guó);肖宇飛;毛倩;石福艷;王素珍;;ARIMA乘積季節(jié)模型在青州市布魯氏菌病發(fā)病預(yù)測(cè)中的應(yīng)用[J];中國(guó)醫(yī)院統(tǒng)計(jì);2020年02期

6 齊子薇;;基于ARIMA模型的民航客運(yùn)量時(shí)間序列研究預(yù)測(cè)[J];電腦迷;2018年12期

7 毛通;;內(nèi)生視角下貨幣乘數(shù)的ARIMA建模及實(shí)證研究[J];現(xiàn)代商貿(mào)工業(yè);2010年23期

8 萬麗;任常軍;趙樹青;蔡建寧;;應(yīng)用ARIMA模型預(yù)測(cè)石家莊市手足口病發(fā)病趨勢(shì)[J];中國(guó)衛(wèi)生統(tǒng)計(jì);2020年01期

9 桂騰葉;陳碩;隗立志;崔志軍;周曉琳;;基于ARIMA的傳染病流行趨勢(shì)預(yù)測(cè)及防治對(duì)策[J];電子科技;2015年12期

10 楊東方;高振會(huì);于子江;黃宏;鄧婕;常彥祥;;ARIMA模型在國(guó)內(nèi)旅游市場(chǎng)預(yù)測(cè)中的應(yīng)用[J];科學(xué)決策;2008年11期

相關(guān)博士學(xué)位論文 前3條

1 孫強(qiáng);煤炭供應(yīng)鏈價(jià)格波動(dòng)及對(duì)策研究[D];武漢理工大學(xué);2008年

2 畢玉革;北方干寒地區(qū)日光溫室小氣候環(huán)境預(yù)測(cè)模型與數(shù)字化研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2010年

3 王冬光;控制技術(shù)在投資預(yù)測(cè)模型建立中的應(yīng)用研究[D];哈爾濱工程大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 薛智雯;基于ARIMA-SVM的車險(xiǎn)索賠次數(shù)預(yù)測(cè)[D];西南財(cái)經(jīng)大學(xué);2018年

2 紀(jì)爽;基于ARIMA-SVM組合模型對(duì)人民幣匯率的預(yù)測(cè)和實(shí)證研究[D];江西財(cái)經(jīng)大學(xué);2019年

3 張恒;基于回歸模型和時(shí)間序列模型的長(zhǎng)三角地區(qū)貨運(yùn)量影響因素分析與預(yù)測(cè)[D];安慶師范大學(xué);2019年

4 王倩倩;蔬菜價(jià)格指數(shù)分析與預(yù)測(cè)[D];北京理工大學(xué);2017年

5 王薇;中國(guó)宏觀經(jīng)濟(jì)變量的ARIMA預(yù)測(cè)[D];武漢大學(xué);2017年

6 何團(tuán);基于組合模型對(duì)匯率的預(yù)測(cè)研究[D];貴州民族大學(xué);2019年

7 王運(yùn)豪;基于ARIMA-GARCH和SVR組合模型的股指預(yù)測(cè)研究[D];東北師范大學(xué);2019年

8 劉陽(yáng);基于ARIMA模型的周期性時(shí)間序列變化點(diǎn)檢測(cè)算法研究[D];山東大學(xué);2018年

9 郝黨麗;基于ARIMA-雙權(quán)值神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型的城鎮(zhèn)失業(yè)問題研究[D];湖南大學(xué);2018年

10 黨爽;利用GM與ARIMA組合模型對(duì)于陜西省城鎮(zhèn)人口消費(fèi)水平預(yù)測(cè)[D];云南大學(xué);2017年

本文編號(hào)：2856305