时间序列模型及应用案例.ppt

《时间序列模型及应用案例.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、时间序列模型提纲一.时序的基本概念二.时序的构成三.时序的预测四.时序的应用某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。一.时序的基本概念按照时间序列所得的观测值时序模型建立的目的是为了描述时间序列中产生数据的随机机制与趋势，以此模型来判断在某一时间或随机机制下会发生的数据达到预测和控制的目的。时间序列可分为平稳的时间序列和非平稳的时间序列。※对序列的未来趋势做预测※分解序列的主要趋势成分，季节变化成分※对理论性模型与数据进行拟合度检验，以讨论模型能够正确表示所观测的对象二.时

2、序的构成趋势成份T长期因素导致的变动，如人口的变动，技术的进步周期成份C连续观测值规则地落在趋势线的上方或者下方超过一年的有规则的模型都属于时序的周期成分季节成份S一年内的规则变化不规则成分I随机项/残差乘法模型Y=T*S*C*I加法模型Y=T+S+C+I三.时序的预测简单预测简单算法回归模型算法包含趋势与季节的预测乘法模型参数化的时序预测AR模型---自我回归MA模型---均值滑动AR-MA混合模型SARIMA—季节循环型时序模型了解时序模型的结构时序模型具有表示该模型及其元数据的单一父节点。根据用于创建该模

3、型的算法的不同，在该父节点下面有一个或两个时序树。如果创建混合模型，则两个单独的树会添加到该模型中，一个适用于ARIMA算法，另一个适用于ARTxp算法。如果选择仅使用ARTxp算法和ARIMA算法中的一个，则将拥有对应于所选算法的单个树。可以通过设置FORECAST_METHOD参数来指定要使用的算法。四.时序的应用Microsoft时序算法提供了一些针对连续值（例如一段时间内的产品销售额）预测进行了优化的回归算法。虽然其他Microsoft算法（如决策树）也能预测趋势，但是他们需要使用其他新信息列作为输入才

4、能进行预测，而时序模型则不需要。时序模型仅根据用于创建该模型的原始数据集就可以预测趋势。进行预测时还可以向模型添加新数据，随后新数据会自动纳入趋势分析范围内。算法的原理在SQLServer2008中，Microsoft时序算法同时使用ARTxp算法和另一种算法ARIMA。ARTXp算法针对短期预测进行了优化，因此可预测序列中下一个可能的值。ARIMA算法针对长期预测进行了优化。默认情况下，Microsoft时序算法在分析模式和进行预测时混合使用这两种算法。该算法使用相同的数据为两个单独的模型定型：一个模型采用A

5、RTxp算法，另一个模型采用ARIMA算法。然后，该算法结合这两个模型的结果来产生可变数量时间段的最佳预测。时序模型的数据要求单个键时间列 每个模型都必须包含一个用作事例序列的数值或日期列，该列定义了该模型将使用的时间段。可预测列   每个模型都必须至少包含一个可预测列，算法将根据这个可预测列生成时序模型。可预测列的数据类型必须具有连续值。可选序列键列   每个模型可包含一个附加的键列，该列包含标识序列的唯一值。可选序列键列必须包含唯一值。简而言之，要求分析数据序列必须含有时间序列，并且序列值为连续，要求分析数

6、据序列存在唯一标示值，其实也就说传统意义上面的主键。处理过程：（1）新建解决方案，然后数据源，然后数据源视图（2）预览数据，分析源数据结构内容这里我们需要对要分析的数据进行分析，先看看里面有那些内容，是不是满足时序算法的数据要求条件。（3）新建挖掘结构在选择数据挖掘技术时选择Microsoft时序（4）参数配置对于Microsoft时序算法有几个参数比较重要，需要单独配置，这里我们介绍一下PERIODICITY_HINT：该参数提供了有关数据模式重复频率的算法信息。简单点讲就是时间序列的重复迭代时间间隔，比如本

7、篇文章中用到的时间轴就是为每个月更改一次，且周期为年为单位，所以我们将这个参数设置成12，意思是每十二个月重复一次。然后我们就需要部署、处理该挖掘模型了。然后下一步我们进行结果分析。上面的图就是Microsoft时序算法出来的结果图了，挖掘模型查看器为这种算法提供了两个面板查看，一个是图表、另一个是模型，下面我们将以此详细分析，平常最常用的就是图表模型查看器，图标区分为两块，如上图，前半部分模型历史分析数据，后面模糊区为推测区域，右侧一个序列筛选的下拉选项框，从横轴中我们可以看到，图中的实线是输入的历史数据，通

8、过虚线区域可以观察到模型算法对未来时间线的预测，以及它们的波动范围。通过分析折线图，可知，出口净值在在春季和秋季最高，说明春季和秋季是旺季。从走势来看，出口净值总体保持上升。