数学建模之时间序列分析

时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分，分别是 描述过去、 分析规律和 预测未来，本讲将主要介绍时间序列分析中常用的三种模型： 季节分解、 指数平滑方法和 ARIMA模型

一、时间序列的基本概念

时期序列可加，时点序列不可加
时期序列中的观测值反映现象在一段时期内发展过程的总量，不同时期的观测值可以相加，相加结果表明现象在更长一段时间内的活动总量； 而时点序列中的观测值反映现象在某一瞬间上所达到的水平，不同时期的观测值不能相加，相加结果没有实际意义

二、时间序列分解

因为时间序列是某个指标数值长期变化的数值表现，所以时间序列数值变化背后必然蕴含着数值变换的规律性，这些规律性就是时间序列分析的切入点

1.长期趋势：T

2.季节趋势：S

3.循环变动：C

4.不规则变动：I

以上四种变动就是时间序列数值变化的分解结果。有时这些变动会同时出现在一个时间序列里面，有时也可能只出现一种或几种，这是由引起各种变动的影响因素决定的。正是由于变动组合的不确定性，时间序列的数值变化才那么千变万化。
四种变动与指标数值最终变动的关系可能是叠加关系，也可能是乘积关系

三、叠加模型和乘积模型

四、缺失值替换

• 序列平均值——用整个序列的平均数代替缺失值

• 临近点的平均值——用相邻若干个点的平均数来替换缺失值（默认为两个点）

• 临近点的中位数——用相邻若干个点的中位数来替换缺失值（默认为两个点）

• 线性插值——用相邻两个点的平均数来替换缺失值

• 邻近点的线性趋势——将时期数作为x，时间序列值作为y进行回归，求缺失点的预测值

五、时间序列分析的具体步骤