- 在线时间
- 791 小时
- 最后登录
- 2022-11-28
- 注册时间
- 2017-6-12
- 听众数
- 15
- 收听数
- 0
- 能力
- 120 分
- 体力
- 35386 点
- 威望
- 11 点
- 阅读权限
- 255
- 积分
- 13559
- 相册
- 0
- 日志
- 0
- 记录
- 1
- 帖子
- 621
- 主题
- 542
- 精华
- 10
- 分享
- 0
- 好友
- 225
TA的每日心情 | 开心 2020-11-14 17:15 |
---|
签到天数: 74 天 [LV.6]常住居民II
群组: 2019美赛冲刺课程 群组: 站长地区赛培训 群组: 2019考研数学 桃子老师 群组: 2018教师培训(呼伦贝 群组: 2019考研数学 站长系列 |
移动平均法 可以作为一种数据平滑的方式 ,以每天的气温数据为例,今天的天气可能与过去的十天的气温有线性关系;或者有的人对食物有一种节俭的美德,他们做的饭菜能看出有些是上一顿的,当然也有一部分是今天的做的,再假设隔两顿的都被倒掉了,并且每天都是这样的,那么这碗饭菜可能就是一部分上一顿的再加上一部分今天现做的,这就是一个一阶的移动平均。
/ |- ~6 @, I! S$ N8 A9 K+ ?/ y$ f
移动平均法
3 ?5 t" C2 z2 S5 _移动平均法是根据时间序列资料逐渐推移,依次计算包含一定项数的时序平均数, 以反映长期趋势的方法。当时间序列的数值由于受周期变动和不规则变动的影响,起伏 较大,不易显示出发展趋势时,可用移动平均法,消除这些因素的影响,分析、预测序列的长期趋势。 移动平均法有简单移动平均法,加权移动平均法,趋势移动平均法等。
" S/ k5 ~! C1 y* ?; W( u
( u1 h0 p: g$ `; z- D% S2 o简单移动平均法
/ _1 \5 f2 q* r
+ U3 s, B) T# ?3 k j
& B7 j# P* A6 {% W5 E8 F2 l
5 r! N0 R' p+ c4 t( |' q1 }% l3 v近N 期序列值的平均值作为未来各期的预测结果。一般 N 的取值范围: 5≤N≤ 200。当历史序列的基本趋势变化不大且序列中随机变动成分较多时,N 的 取值应较大一些。否则 N 的取值应小一些。在有确定的季节变动周期的资料中,移动平均的项数应取周期长度。选择佳 N 值的一个有效方法是,比较若干模型的预测误 差。预测标准误差小者为好。 {, U- B! v, f' O% Q8 s
/ q4 j% m/ V2 W+ U8 m5 T: d7 ^
简单移动平均法只适合做近期预测,而且是预测目标的发展趋势变化不大的情况。 如果目标的发展趋势存在其它的变化,采用简单移动平均法就会产生较大的预测偏差和滞后。 1 i0 J; k2 g/ E) a, D; \: P
) }/ j! n' X/ g! n
例 1 某企业 1 月~11 月份的销售收入时间序列如表 1 示。试用一次简单滑动平 均法预测第 12 月份的销售收入。 / m6 s0 W9 }0 _; F* C. `/ z
: p, ~5 Z: m, d! }7 ~' x a
3 K% C3 C7 f# T* N, M
2 f" y- D/ H$ H& [5 S2 J
! {9 r7 ^3 V. U" s5 `! N0 F, c6 w, l1 D: M( O8 c: i
计算的 Matlab 程序如下:
" d) B P. S! d8 O: l
# x+ \. t7 v: q' Jclc,clear 5 E6 j0 ?6 z4 v- r! X! }
y=[533.8 574.6 606.9 649.8 705.1 772.0 816.4 892.7 963.9 1015.1 1102.7]; m=length(y);
2 K( U1 ~7 p3 O1 J& N2 P: f n=[4,5]; %n 为移动平均的项数
! w4 M7 y/ S4 @+ F+ l! }for i=1:length(n)
7 D# D6 W1 q+ _% } %由于 n 的取值不同,yhat 的长度不一致,下面使用了细胞数组 ( w( q Z/ R. B6 t3 V2 q; Z
for j=1:m-n(i)+1 ! b& {+ e3 w L9 {; r1 v0 l7 G
yhat{i}(j)=sum(y(j:j+n(i)-1))/n(i);
7 F4 W. i% ]: r- ~8 O$ | end 2 C9 @: T4 S$ d( e, T1 W
y12(i)=yhat{i}(end);
2 f) v& l0 s& z1 V/ b6 y2 B s(i)=sqrt(mean((y(n(i)+1:m)-yhat{i}(1:end-1)).^2));
% J1 ~- F3 t5 X3 Bend
+ D$ B6 ?8 e- Hy12,s r7 P) ?4 i/ {9 v4 p( T/ G
& P! h: j1 E: b4 @! X加权移动平均法% \! n" h7 V4 r6 N0 m" z' U
在简单移动平均公式中,每期数据在求平均时的作用是等同的。但是,每期数据所包含的信息量不一样,近期数据包含着更多关于未来情况的信心。因此,把各期数据等同看待是不尽合理的,应考虑各期数据的重要性,对近期数据给予较大的权重,这就 是加权移动平均法的基本思想。
, q5 D* P4 y: G* D! {% n" G I& Z6 d
~/ U& S4 i% |
# f5 g& `5 v: V4 T% k例 2 我国 1979~1988 年原煤产量如表 2 所示,试用加权移动平均法预测 1989 年 的产量
$ [! h" {5 x% E3 ]
7 H2 Z" G' B% p9 g' s1 ?$ I
/ M5 Y8 g. W: w4 T7 Q, v2 V+ ^- S1 [% x4 G$ S& T
% R, j* `# @$ B7 Q
+ K7 ]8 \' `+ [) |2 H1 W1 V A/ w1 ?1 V% D4 t$ f/ l2 N; w
. S+ S, x' o2 G, _! e2 \: u
, v' \ @5 h# g& c1 b计算的 MATLAB 程序如下: 5 P5 s9 Q7 B/ g6 w& f1 D' S3 C2 {
, M! V9 Z% b$ V' g" `- }( Py=[6.35 6.20 6.22 6.66 7.15 7.89 8.72 8.94 9.28 9.8];
) G0 L: `1 m8 ew=[1/6;2/6;3/6];
+ l* C) `" d& a) w1 `0 f I# Dm=length(y);n=3;
3 a: ^9 }7 @7 x/ i6 W6 K& x+ h' B8 rfor i=1:m-n+1
- @- u _ E; O) v2 S yhat(i)=y(i:i+n-1)*w; , w( Q* w5 D! v6 S3 n
end & r' }9 u/ M; F, R! J. j( x3 ~$ z
yhat 4 [% T! h' ?' D
err=abs(y(n+1:m)-yhat(1:end-1))./y(n+1:m) * o$ w4 n: U) p, V: v
T_err=1-sum(yhat(1:end-1))/sum(y(n+1:m)) " B8 G* _( d; p+ |! m
y1989=yhat(end)/(1-T_err)& O; N( O. `' {2 N. S/ ^
/ j# g u2 y3 Y4 V9 K
在加权移动平均法中, 的选择,同样具有一定的经验性。一般的原则是:近期 数据的权数大,远期数据的权数小。至于大到什么程度和小到什么程度,则需要按照预 测者对序列的了解和分析来确定。 : D4 K8 ~- Y! a6 {1 e l% |; N8 I
! Q' g1 d/ p7 G" o7 |
趋势移动平均法
. P2 A* | h4 S) a) ]& L0 h( Q3 r! j0 \# R简单移动平均法和加权移动平均法,在时间序列没有明显的趋势变动时,能够准确 反映实际情况。但当时间序列出现直线增加或减少的变动趋势时,用简单移动平均法和 加权移动平均法来预测就会出现滞后偏差。因此,需要进行修正,修正的方法是作二次 移动平均,利用移动平均滞后偏差的规律来建立直线趋势的预测模型。这就是趋势移动平均法。 一次移动的平均数为 ' {/ u' k" l7 J! r& J8 A5 V- J
7 u4 n; q1 f5 @! k$ e/ t
0 p4 f- y8 ~# ^; Z' P5 W/ X0 q- h+ }4 G& V
0 m: V! @) R5 W- j! V4 i. ?+ ?
$ ~! h3 ?+ l& P8 H1 S" \8 M w
& u( g4 P0 |9 P% _8 I7 B
) w3 ]+ ~9 i+ ]. A例 3 我国 1965~1985 年的发电总量如表 3 所示,试预测 1986 年和 1987 年的发 电总量。 ! k& q4 q% x1 C# I
, y( j, v! c/ b* T6 h ~7 q; K6 t" \3 i2 ?; I) Z E. p5 ] r Z
% ~% E: X5 [; x9 `0 w/ L6 O
解 由散点图 1 可以看出,发电总量基本呈直线上升趋势,可用趋势移动平均法 来预测。
; U2 ~& `: T# u3 I( N5 y- X
) B8 t2 G& Z6 ?( D7 t7 Q, K2 J
f; G: K( m" w9 r3 ^1 Y4 u1 e* a, O. S7 p6 U
计算的 MATLAB 程序如下:
% r7 \& _2 v# j8 T9 j" N! i; o( W7 ]; r+ v9 G, s. \1 m
clc,clear , J7 _5 O* Y+ i9 _' l
load y.txt %把原始数据保存在纯文本文件 y.txt 中 . G) ]1 C5 Z1 G' g8 h
m1=length(y);
3 @& H' q- L U9 sn=6; %n 为移动平均的项数 % p7 {$ g/ Q# d6 e" f6 R: D
for i=1:m1-n+1
! g. }2 k4 v" a+ H2 G) m* k; [: G yhat1(i)=sum(y(i:i+n-1))/n; % \- E" g2 @) }. o2 e' y- l
end
% N/ U! ~3 j# a1 z3 D$ Syhat1
& F8 P, ~2 E. ], @m2=length(yhat1); ( Q- f. s' {: p3 ^
for i=1:m2-n+1 : A- ^: J B" ?8 s7 [& l/ G
yhat2(i)=sum(yhat1(i:i+n-1))/n;
0 v+ C: q7 h8 R& tend - p8 E" U& e g6 Z- N( G, ?
yhat2
9 ~+ ?6 g6 s3 H0 ^0 Kplot(1:21,y,'*') 6 I" K. c2 c7 Q9 h. y& Q
a21=2*yhat1(end)-yhat2(end)
7 q. G) y4 u* g- p) Z7 k5 ob21=2*(yhat1(end)-yhat2(end))/(n-1) : u+ T+ i" N2 h
y1986=a21+b21
4 A( w$ x6 K6 P1 Z4 |* ky1987=a21+2*b21 % Q" a* Z7 O0 d. Y3 N
: m* r0 P* ^1 N0 D& t: u+ d: Y5 o' a5 z( y
8 f: B7 X# Q& }趋势移动平均法对于同时存在直线趋势与周期波动的序列,是一种既能反映趋势变 化,又可以有效地分离出来周期变动的方法。
( `% {: [4 Q& ?9 m1 u* @) J' x/ R, c0 E1 b1 ~, I
. B S' g( L# l$ ]% O% d; W
& o6 y6 M$ q. z# _
————————————————5 G$ h: }2 ^0 N/ p- M5 B
版权声明:本文为CSDN博主「wamg潇潇」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。" y5 H6 M; `* u7 F
原文链接:https://blog.csdn.net/qq_29831163/article/details/894404266 c- Z* _, F0 i
, d, m' ~8 S7 v7 k) Y
4 n+ n: L: Q$ v) P1 ]8 H
|
zan
|