基于时间序列的组合预测模型研究——以江西省CPI为例.pdf

目 录 摘要1 第1章 绪论1 1.1 研究背景1 1.2 研究意义2 1.3 国内外研究现状4 1.3.1 国内研究现状4 1.3.2 国外研究现状6 1.3.3 文献评述8 1.4 本文创新之处9 1.5 主要研究内容9 第2 章 时间序列理论11 2.1 时间序列定义11 2.2 平稳时间序列11 2.3 平稳时间序列性质12 2.3.1 自相关函数性质13 2.3.2 平稳性检验13 2.3.3 白噪声检验14 2.4 平稳时间序列模型14 2.4.1AR 模型14 2.4.2MA 模型15 2.4.3ARMA 模型17 2.4.4ARIMA 模型18 2.4.5 SARIMA 模型 18 2.5 平稳时间序列建模19 2.5.1ARMA ACF PACF19 模型的 和 2.5.2 模型定阶21 2.5.3 参数估计21 2.5.4 模型检验22 2.5.5 模型优化22 I 2.6 非平稳模型平稳化处理22 2.7 非平稳序列确定性分析23 2.8 本章小结24 3 25 第 章 预测模型与组合模型建模与评比 3.1SARIMA 模型25 3.2 SVM 模型25 3.2.1SVM 模型理论概述25 3.2.2 SVM 模型建立28 3.3BP 神经网络模型31 3.3.1BP 神经网络基本原理31 3.3.2BP 神经网络计算步骤33 3.4 组合模型的构建34 3.4.1 组合模型理论34 3.4.2 组合模型权重选择35 3.4.3 组合模型构建36 3.4.4 组合预测模型比较评估38 3.5 本章小结39 第4 章 时间序列组合模型预测分析40 4.1SARIMA 模型预测分析40 4.1.1 数据选取40 4.1.2 序列平稳性检验40 4.1.3 SARIMA 模型建立42 4.1.4 模型参数估计及残差的白噪声检验43 4.1.5 SARIMA 模型预测结果评估44 4.2 SVM 模型预测分析45 4.2.1SVM 模型建模步骤45 4.2.2 SVM 模型预测结果与数据分析45 4.3BP 神经网络模型预测分析46 4.3.1数据预处理46 4.3.2BP 神经网络模型预测结果及数据分析48 4.4 组合模型预测分析49 II 4.4.1 组合预测模型49 4.4.2 SARIMA-SVM 组合模型预测分析49 4.4.3 SARIMA-BP 神经网络组合模型预测分析51 4.4.4 几种模型的对比效果53 4.5本章小结55 第5章 研究结论及展望57 5.1 研究结论57 5.2 研究展望58 参考文献59 致谢64 III Tableo