學(xué)年論文組合預(yù)測(cè)在汽車(chē)銷(xiāo)量預(yù)測(cè)中的應(yīng)用(編輯修改稿)
2025-07-20 18:16 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 得結(jié)果（表11），可預(yù)測(cè)接下來(lái)幾個(gè)季度的銷(xiāo)量，如表13。表13 時(shí)間序列分解法的預(yù)測(cè)值 單位：萬(wàn)輛季度TSC銷(xiāo)售量預(yù)測(cè)值 由所得模型預(yù)測(cè)歷年汽車(chē)的季度銷(xiāo)售量，計(jì)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(shuō)，模型的預(yù)測(cè)效果一般，考慮到的因素還不夠全面，即不規(guī)則變動(dòng)因素在預(yù)測(cè)模型中所占的比例偏大了，此情況下對(duì)未來(lái)的預(yù)測(cè)值更是有著一定的偏差了，因?yàn)橛稍撃Ｐ偷贸龅念A(yù)測(cè)值是沒(méi)有考慮不規(guī)則變動(dòng)因素的。故而通過(guò)此模型我們只能對(duì)汽車(chē)未來(lái)銷(xiāo)售量的走勢(shì)做一個(gè)大致了解。2） 平穩(wěn)時(shí)間序列預(yù)測(cè)法（ARMA模型）ARIMA模型，是指將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，然后將因變量?jī)H對(duì)它的滯后值以及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸所建立的模型。對(duì)原始數(shù)據(jù)做散點(diǎn)圖可以看出序列有上升趨勢(shì)，故而能判定此時(shí)間序列是非平穩(wěn)的，且數(shù)據(jù)具有明顯的周期性，對(duì)數(shù)據(jù)做一次季節(jié)差分，差分后的結(jié)果如圖21所示，由此可以看到數(shù)據(jù)趨于平穩(wěn)，平穩(wěn)化后得到的序列記為。圖21 季節(jié)差分后的銷(xiāo)量求得的時(shí)間序列的均值，對(duì)其零均值化（即）得到的時(shí)間序列仍記為。對(duì)于新的時(shí)間序列，利用SPSS軟件計(jì)算其自相關(guān)函數(shù)和偏自相關(guān)函數(shù)，具體結(jié)果見(jiàn)表21，作出自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖（如圖224）。表21 自相關(guān)函數(shù)和偏自相關(guān)函數(shù)kk19210311412513614715816圖22 自相關(guān)函數(shù)圖圖23 偏自相關(guān)函數(shù)從圖22和23中可以看出，p、q均不截尾，呈現(xiàn)出拖尾現(xiàn)象，此時(shí)可以判定平穩(wěn)時(shí)間序列為ARMA模型。自相關(guān)函數(shù)一階是顯著的，并且從第二階開(kāi)始下降幅度很大，因此可設(shè)定q值為1。偏自相關(guān)函數(shù)的一階也很顯著，并且從第二階開(kāi)始急劇下降，數(shù)值也不顯著，可將p定為1，于是對(duì)序列y可初步建立ARMA（1,1）模型。利用Eviews軟件計(jì)算，所得模型為：，模型參數(shù)如圖24。圖24 ARMA(1,1)模型參數(shù)截圖預(yù)測(cè)值圖25：圖25 預(yù)測(cè)值圖表22 ARMA（1,1）模型的預(yù)測(cè)值時(shí) 間預(yù)測(cè)值 時(shí) 間預(yù)測(cè)值 時(shí) 間預(yù)測(cè)值 時(shí) 間預(yù)測(cè)值 圖25中實(shí)線代表的是W2的預(yù)測(cè)值，兩條虛線則提供了2倍標(biāo)準(zhǔn)差的置信區(qū)間?？梢钥吹剑S著預(yù)測(cè)時(shí)間的增長(zhǎng)，預(yù)測(cè)值有趨向于序列的均值（接近0）的傾向。圖的右邊列出的是評(píng)價(jià)預(yù)測(cè)的一些標(biāo)準(zhǔn)，如平均預(yù)測(cè)誤差平方和的平方根（RMSE），Theil不相等系數(shù)及其分解?？梢钥吹?，模型預(yù)測(cè)效果較好，差分后序列的預(yù)測(cè)值見(jiàn)表22。3） 灰色預(yù)測(cè)法（1）、數(shù)據(jù)預(yù)處理——生成列為了弱化原始時(shí)間序列的隨機(jī)性，為建立灰色模型提供信息，在建立灰色預(yù)測(cè)模型之前，需要對(duì)原始時(shí)間序列進(jìn)行數(shù)據(jù)處理，經(jīng)過(guò)數(shù)據(jù)處理后的時(shí)間序列也即生成列?；疑到y(tǒng)常用的數(shù)據(jù)處理方式有累加和累減兩種。設(shè)X為汽車(chē)銷(xiāo)售量，則由汽車(chē)銷(xiāo)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(gè)數(shù)據(jù)作為生成列的第一個(gè)數(shù)據(jù)，將原始序列第二個(gè)數(shù)據(jù)加到第一個(gè)數(shù)據(jù)上，其和作為生成列的第二個(gè)數(shù)據(jù)，將原始序列第三個(gè)數(shù)據(jù)加到生成列第二個(gè)數(shù)據(jù)上，其和作為生成列的第三個(gè)數(shù)據(jù)，以此類(lèi)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(chēng)為發(fā)展灰數(shù)，稱(chēng)為內(nèi)生控制灰數(shù)。設(shè)為待估參數(shù)向量，利用最小二乘法求解，可知，由，，可解出求解微分方程，即可得預(yù)測(cè)模型：（k=0,1,2,…，n）求出預(yù)測(cè)序列后，用累減方式，還原求出原始數(shù)列的灰色預(yù)測(cè)模型列于表31：表31 樣本內(nèi)預(yù)測(cè)值表時(shí)序123456789預(yù)測(cè)時(shí)序101112131415161718預(yù)測(cè)時(shí)序192021222
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1