Matlab-predict.pptx

Matlab --预测ARIMA ARIMA 模型简介ARIMA 方法是时间序列预测中一种常用而有效的方法, 它是用变量Yt 自身的滞后项以及随机误差项来解释该变量, 而不像一般回归模型那样用k 个外生变量X1 , X2 , ?, Xk 去解释Yt 。ARIMA 方法能够在对数据模式未知的情况下找到适合数据所考察的模型, 因而在金融和经济领域预测方面得到了广泛应用。它的具体形式可表达成ARIMA (p , d , q) , 其中p 表示自回归过程阶数; d 表示差分的阶数; q 表示移动平均过程的阶数。如果时间序列数据是非平稳的, 则需要对其进行d 阶差分, 使其平稳化, 然后对平稳化后的序列用ARIMA 建模。BP神经网络神经网络的定义简介神经网络是由多个神经元组成的广泛互连的神经网络,?能够模拟生物神经系统真实世界及物体之间所做出的交互反应。人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆，辨识能力，完成名种信息处理功能。不需要任何先验公式，就能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有良好的自学习，自适应，联想记忆，并行处理和非线性形转换的能力，特别适合于因果关系复杂的非确定性推理，判断，识别和分类等问题。对于任意一组随机的，正态的数据，都可以利用人工神经网络算法进行统计分析，做出拟合和预测误差反向传播(Back propagation)算法的多层前馈网络即为BP神经网络BP模型的基本原理BP网络由输入层，输出层以及一个或多个隐层节点互连而成的一种多层网，这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系，又不致使网络输出限制在-1和1之间回归预测回归预测法是指根据预测的相关性原则，找出影响预测目标的各因素，并用数学方法找出这些因素与预测目标之间的函数关系的近似表达，再利用样本数据对其模型估计参数及对模型进行误差检验，一旦模型确定，就可利用模型，根据因素的变化值进行预测。回归分析预测法的分类回归分析预测法有多种类型。依据相关关系中自变量的个数不同分类，可分为一元回归分析预测法和多元回归分析预测法。在一元回归分析预测法中，自变量只有一个，而在多元回归分析预测法中，自变量有两个以上。依据自变量和因变量之间的相关关系不同，可分为线性回归预测和非线性回归预测。一般步骤1．根据预测目标，确定自变量和因变量明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。2．建立回归预测模型依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。3．进行相关分析 回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。。4．检验回归预测模型，计算预测误差回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。5．计算并确定预测值 　利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。应用回归预测法时应注意的问题应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。正确应用回归分析预测时应注意：①用定性分析判断现象之间的依存关系；②避免回归预测的任意外推；③应用合适的数据资料