時間序列報告

時間：2024-09-01 05:09:03

時間序列報告精選

時間序列報告精選

時間序列報告精選

　　篇一：時間序列報告

　　ARIMA在客貨運輸量預測的應用

　　摘要:本次實驗利用時間序列中ARIMA模型，建立了客貨運輸總量預測模型，模型確定為ARIMA(1，1,1)12和ARIMA（12,1,12）12，并對數(shù)據(jù)進行預測，通過AIC準則和SBC準則確定ARIMA（12,1,12）12為相對最優(yōu)模型。關鍵詞：時間序列，ARIMA，AIC準則，SBC準則

　　Abstract

　　The experiment applied the ARIMA model of the time series to formulate the prediction model of passenger and freight transport. With two deterministic models including ARIMA(1,1,1)12andARIMA(12,1,12)12 and data prediction, the experiment determined ARIMA(12,1,12)12as a relative optimization model by means of AIC criterion and SBC criterion.

　　Keyword:time series, ARIMA,AIC,SBC

　　1. 引言

　　隨著經濟的高速發(fā)展，我國客貨運總量數(shù)據(jù)也在逐年增高，對客貨運總量數(shù)據(jù)的預測有利于制定未來運輸?shù)陌l(fā)展戰(zhàn)略，合理利用資源，合理調度，使得流通更快捷便利。

　　2. 模型簡介

　　ARIMA模型定義

　　ARIMA 模型（Autoregressive Integrated Moving Average model）是研究時間序列的重要方法，由自回歸模型（簡稱AR模型）、滑動平均模型（簡稱MA模型）和使之成為平穩(wěn)序列所做的差分次數(shù)（階數(shù)）為基礎“混合”構成。

　　ARIMA模型表示為：

　　(1iL)(1L)Xt(1iLi)t id

　　i1i1pq

　　p0,p0

　　E(t)0,Var(t)2,E(ts)0,st

　　Exst0,st

　　其中L是滯后算子。

　　3. 建模步驟

　　建模的基本步驟可以總結如下：

　　1. 求出該觀察值序列的樣本自相關系數(shù)（ACF）和樣本偏自相關系數(shù)（PACF）的值

　　2. 根據(jù)樣本自相關系數(shù)和偏自相關系數(shù)的性質，選擇階數(shù)適當?shù)腁RMA(p,q)模型進行擬合。

　　3.估計模型中未知參數(shù)的值。

　　4.檢驗模型的有效性。如果擬合模型通不過檢驗，轉向步驟2，重新選擇模型再擬合。

　　5. 模型優(yōu)化。如果擬合模型通過檢驗，仍然轉向步驟2，充分考慮各種可能，建立多個擬合模型，從所有通過檢驗的擬合模型中選擇最優(yōu)模型。

　　6. 利用擬合模型，預測序列的將來走勢

　　示意圖如下：

　　圖一建模步驟

　　4. 實例分析

　　本實驗分析客貨運輸量數(shù)據(jù)，對數(shù)據(jù)進行建模和預測。

　　年1月到2013年11月。數(shù)據(jù)分析軟件采用EViews，它是為Windows設計的統(tǒng)計分析軟件，對于計量經濟分析有著很大的用處，比如時間序列的估計和預測。

　　數(shù)據(jù)輸入

　　將數(shù)據(jù)導入EViews軟件，觀察樣本自相關系數(shù)和偏自相關系數(shù)的值，如下：

　　CARGO

　　圖二

　　客貨運數(shù)量樣本

　　圖三客貨運數(shù)量樣本相關性

　　可以看出自相關序列函數(shù)隨著K的值增加，衰減緩慢，說明樣本序列是非平穩(wěn)的，所以接下來進行平穩(wěn)化。

　　平穩(wěn)性檢測

　　對數(shù)據(jù)進行一階差分，觀察其自相關序列和偏自相關序列，效果如下：

　　圖四一階差分后樣本的相關性

　　可以看出，序列在12、24、36處有強相關性，呈周期性，所以一階差分不能很好的去除數(shù)據(jù)的周期性，所以采用一階十二步差分，觀察其自相關序列和偏自相關序列，效果如下：

　　圖五一階十二步差分后樣本的相關性

　　觀察知，樣本在K=12處還有較強的相關性，但比一階差分有較好的效果。對一階十二步差分數(shù)據(jù)進行平穩(wěn)性檢測。做差分后序列進行單位根檢驗（DF檢驗）和擴充的單位根檢驗（ADF檢驗），檢驗結果如下：

　　圖六一階十二步差分后的樣本值

　　圖七一階十二步差分后樣本的ADF檢驗

　　可以看出，單位根檢驗的T統(tǒng)計量值等于-5.155，小于ADF檢驗0.1~0.01的各種顯著水平的T值，則接受原假設，序列式平穩(wěn)的。

　　模型定階

　　自相關序列和偏自相關序列表現(xiàn)出拖尾的性質，故用ARMA模型進行預測，嘗試采用ARIMA（1,1,1）12，ARIMA（12,1,12）12。

　　估計模型參數(shù)

　　輸入模型中變量，確定參數(shù)估計結果如下：

　　篇二：時間顯示程序及注釋

　　；端口與內存單元

　　SCLK EQU P3.2

　　IO EQU P3.3

　　RST EQU P3.4

　　TRL EQU P3.5 ；調日歷

　　JIA1 EQU P3.6 ；加

　　TSH EQU P3.7 ；調時間

　　YEAR DATA 65H ;數(shù)據(jù)存儲單元

　　MONTH DATA 64H

　　DAY DATA 63H

　　HOUR DATA 62H

　　MINTUE DATA 61H

　　SECOND DATA 60H

　　MS DATA 66H

　　DS_ADDR DATA 32H

　　DS_DATA DATA 31H

　　ORG 0H

　　AJMP START

　　MAIN2F:

　　LJMP MAIN2

　　START:

　　MOV SP,#70H 設置指針

　　LCALL DELAY1

　　MOV DS_ADDR,#8EH

　　MOV DS_DATA,#00H

　　LCALL WRITE ；調用寫程序。

　　START0:

　　MOV DS_ADDR,#81H

　　LCALL READ ；讀取81單元數(shù)據(jù)

　　ANL A,#7FH；A最高位值為0.

　　MOV DS_ADDR,#80H

　　MOV DS_DATA,A ；將A數(shù)據(jù)放入80單元

　　LCALL WRITE

　　START1:MOV DS_ADDR,#0C0H ；調節(jié)設置。

　　MOV DS_DATA,#9CH

　　LCALL WRITE

　　MOV 20H,#0；20H，21H，22H為RAM中的位尋址區(qū)地址。 MOV 21H,#0FH

　　MOV 22H,#0

　　MAIN1: JB TRL,MAIN2FA ；若TRL=1，此按鍵不動，轉到MAIN2FA MOV 22H,#1；按下后，

　　AJMP MAIN2FB

　　MAIN2FA:JB TSH,MAIN2F；TSH=1，此按鍵不動，轉到起始處。 MOV 22H,#2

　　MOV DS_ADDR,#81H

　　LCALL READ

　　ORL A,#80H ；A最高位置1

　　MOV DS_ADDR,#80H

　　MOV DS_DATA,A

　　LCALL WRITE

　　MAIN4: LCALL DISP ；調數(shù)時，數(shù)據(jù)閃爍。

　　JNB TSH,MAIN4 ；按下調時間鍵，轉向調時間程序

　　MOV 22H,#2

　　LJMP SSS

　　MAIN2FB:MOV DS_ADDR,#81H

　　LCALL READ

　　ORL A,#80H

　　MOV DS_ADDR,#80H

　　MOV DS_DATA,A

　　LCALL WRITE

　　MAIN4J: LCALL DISP

　　JNB TRL,MAIN4J；按下調日歷鍵，轉向調日歷程序

　　MOV 22H,#1

　　NNN: LCALL DISP

　　JNB TRL,YYY ；若再按下TRL時，轉向調月份程序。

　　MOV 20H,#8

　　LCALL DISP；閃爍，年份加一。

　　JB JIA1,NNN

　　NNN2: LCALL DISP

　　JNB JIA1,NNN2 按下加一鍵，閃爍。

　　MOV R7,YEAR 松開后將YEAR值給R7。

　　LCALL JIAY1；調用加1程序。

　　MOV YEAR,A 將A值給YEAR

　　CJNE A,#30H,NNN1 A不等于30H，則轉到NNN1 MOV YEAR,#06A若等于30H，則YEAR=6

　　NNN1: MOV DS_ADDR,#8CH

　　MOV DS_DATA ,YEAR

　　LCALL WRITE

　　MOV R0,YEAR

　　LCALL DIVIDE ；

　　MOV 4AH,R1

　　MOV A,4AH

　　SWAP A

　　MOV 4AH,A

　　MOV 4BH,R2

　　MOV A,4BH

　　SWAP A

　　MOV 4BH,A

　　SJMP NNN

　　YYY: LCALL DISP

　　JNB TRL,YYY

　　YYY3:JNB TRL,DDD

　　MOV 20H,#4

　　LCALL DISP

　　JB JIA1,YYY2

　　YYY2: LCALL DISP

　　JNB JIA1,YYY2

　　MOV R7,MONTH

　　LCALL JIAY1

　　MOV MONTH,A

　　CJNE A,#13H,YYY1

　　MOV MONTH,#1

　　YYY1: MOV DS_ADDR,#88H

　　MOV DS_DATA,MONTH

　　LCALL WRITE

　　MOV R0,MONTH

　　LCALL DIVIDE

　　MOV 48H,R1

　　MOV A,48H

　　SWAP A ；修改月份。

　　MOV 49H,R2

　　MOV A,49H

　　SWAP A

　　MOV 49H,A

　　SJMP YYY3

　　DDD:LCALL DISP JNB TRL,DDD

　　MOV 20H,#2H

　　DDD3: JNB TRL,NYD MOV 20H,#2

　　LCALL DISP

　　JB JIA1,DDD3

　　DDD2: LCALL DISP JNB JIA1,DDD2

　　MOV R7,DAY

　　LCALL JIAY1

　　MOV DAY,A

　　CJNE A,#32H,DDD1 MOV DAY,#1

　　DDD1: MOV DS_ADDR,#86H MOV DS_DATA,DAY LCALL WRITE

　　MOV R0,DAY

　　LCALL DIVIDE

　　MOV 46H,R1

　　MOV A,46H

　　SWAP A

　　MOV 46H,A

　　MOV 47H,R2

　　MOV A,47H

　　SWAP A

　　MOV 47H,A

　　SJMP DDD3

　　NYD: LJMP MAIN3A

　　SSS: LCALL DISP ；修改小時；修改天

　　MOV 20H,#8

　　SSS3:JNB TSH,FFF LCALL DISP

　　JB JIA1,SSS3

　　SSS2: LCALL DISP JNB JIA1,SSS2

　　MOV R7,HOUR

　　LCALL JIAY1

　　MOV HOUR,A

　　CJNE A,#24H,SSS1 MOV HOUR,#0

　　SSS1: MOV DS_ADDR,#84H MOV DS_DATA,HOUR LCALL WRITE

　　MOV R0,HOUR

　　LCALL DIVIDE

　　MOV 44H,R1

　　MOV 45H,R2

　　SJMP SSS

　　FFF:LCALL DISP

　　JNB TSH,FFF MOV 20H,#4

　　FFF3:JNB TSH,MMM LCALL DISP

　　JB JIA1,FFF3

　　FFF2: LCALL DISP JNB JIA1,FFF2

　　MOV R7,MINTUE LCALL JIAY1

　　MOV MINTUE,A CJNE A,#60H,FFF1 MOV MINTUE,#0

　　篇三：時間序列分析報告2

　　一、Intnx 函數(shù)的使用。

　　使用Intnx 函數(shù)產生序列的時間間隔，分別對同一組數(shù)據(jù)產生其時間間隔，分別調整觀測指針由參照時間向過去和未來撥1期，觀察序列數(shù)據(jù)的變化。數(shù)據(jù)：2012年12個月化工生產過程的產量數(shù)據(jù)47 64 23 71 38 64 55 41 59 48 71 35

　　解：向過去撥1期

　　向未來撥1期

　　第1頁

　　由運行結果知向未來撥一個日期，其時間與產量對應的時間出現(xiàn)移動，即時間向前移了兩個時期，即產量數(shù)據(jù)與時間不對應。

　　二、分析太陽黑子數(shù)序列(見附數(shù)據(jù)1)，預測6期結果。

　　步驟

　　1、開機進入SAS 系統(tǒng)。

　　2、創(chuàng)建名為exp1的SAS數(shù)據(jù)集，即在窗中輸入下列語句：

　　data exp1；

　　input a1 @@；

　　year=intnx(‘year’,’1jan1742’d,_n_-1)；

　　format year year4.；