學(xué)年論文組合預(yù)測在汽車銷量預(yù)測中的應(yīng)用-預(yù)覽頁
【正文】 48 9 210 311 412 13 214 315 416 17 218 319 420 21 222 323 424 25 226 327 428 29 230 331 432 33 234 335 —— 436 ——— 先用移動平均法剔除長期趨勢和周期變動，然后再用按季平均法求出季節(jié)指數(shù)（移動平均項數(shù)取4）。經(jīng)過修正后，即得汽車銷售量的季節(jié)指數(shù)，如表12最后一行所示（季節(jié)指數(shù)一般用百分?jǐn)?shù)表示，表中數(shù)據(jù)已化為百分?jǐn)?shù)）。表13 時間序列分解法的預(yù)測值 單位：萬輛季度TSC銷售量預(yù)測值 由所得模型預(yù)測歷年汽車的季度銷售量，計算標(biāo)準(zhǔn)誤可以看出，標(biāo)準(zhǔn)誤基本控制在15%以內(nèi)，也就是說，模型的預(yù)測效果一般，考慮到的因素還不夠全面，即不規(guī)則變動因素在預(yù)測模型中所占的比例偏大了，此情況下對未來的預(yù)測值更是有著一定的偏差了，因為由該模型得出的預(yù)測值是沒有考慮不規(guī)則變動因素的。圖21 季節(jié)差分后的銷量求得的時間序列的均值，對其零均值化（即）得到的時間序列仍記為。偏自相關(guān)函數(shù)的一階也很顯著，并且從第二階開始急劇下降，數(shù)值也不顯著，可將p定為1，于是對序列y可初步建立ARMA（1,1）模型。圖的右邊列出的是評價預(yù)測的一些標(biāo)準(zhǔn)，如平均預(yù)測誤差平方和的平方根（RMSE），Theil不相等系數(shù)及其分解。設(shè)X為汽車銷售量，則由汽車銷售量構(gòu)成的原始數(shù)據(jù)序列為：采用累加方式作一次累加，將原始數(shù)列的第一個數(shù)據(jù)作為生成列的第一個數(shù)據(jù)，將原始序列第二個數(shù)據(jù)加到第一個數(shù)據(jù)上，其和作為生成列的第二個數(shù)據(jù)，將原始序列第三個數(shù)據(jù)加到生成列第二個數(shù)據(jù)上，其和作為生成列的第三個數(shù)據(jù)，以此類推可得新生成新序列：（2）、模型的建立X（0）（i）={，…，}X（1）（i）={，…，}GM(1,1)模型的微分方程為：，式中稱為發(fā)展灰數(shù)，稱為內(nèi)生控制灰數(shù)。殘差檢驗：計算原始序列與的絕對誤差序列及相對誤差序列。組合預(yù)測及檢驗三種單項模型的預(yù)測結(jié)果表明，各模型都有著一定的優(yōu)勢與不足之處，為了使預(yù)測效果更進一步，應(yīng)充分利用各模型的有用信息建立組合模型進行分析、預(yù)測。介于0和1之間，值越小，意味著預(yù)測精度越高，其極限情況是，表示預(yù)測值完全等于實際值，故用做預(yù)測的有效性分析，表明預(yù)測效果很好。運用最優(yōu)組合預(yù)測模型對我國汽車銷售情況進行預(yù)測分析的結(jié)果表明，該方法有較好的預(yù)測精度，可以用于預(yù)測和分析我國汽車銷售的總體情況，但在實際應(yīng)用中還要注意根據(jù)具體情況考慮市場環(huán)境對汽車銷售量的影響，這也是模型中無法明確定下來的不規(guī)則影響因素之一。論文結(jié)構(gòu)25%整體結(jié)構(gòu)合理，文章中心突出，內(nèi)容充實，層次清楚，詳略得當(dāng)。指導(dǎo)教師評語（需在論文的份量、內(nèi)容、表達(dá)和書寫是否符合要求，論文選題的理論水平和應(yīng)用價值，學(xué)生應(yīng)用基本知識和基本技能的情況，學(xué)生的工作能力及工作態(tài)度等方面給予評價）： 指導(dǎo)教師簽名： 年 月 日學(xué)生最終成績：
法律信息相關(guān)推薦
鄂ICP備17016276號-1