【MATLAB第89期】基于MATLAB的差分自回归滑动平均模型ARIMA时间序列预测模型含预测未来

【MATLAB第89期】基于MATLAB的差分自回归滑动平均模型ARIMA时间序列预测模型含预测未来

往期文章
【MATLAB第82期】基于MATLAB的季节性差分自回归滑动平均模型SARIMA时间序列预测模型含预测未来

一、模型介绍

1、模型简介

差分自回归移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA），又称为差分自回归移动平均模型，是时间序列预测常用的分析方法之一，常应用于不包含趋势和季节性的单变量数据的预测。

2、模型参数

ARIMA结构参数有七个：(p,d,q)

1、非季节性差分数
d：代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项。使用ARIMA模型要求数据平稳。ARIMA的差分项有两个，非季节性差分通常在0~3之间。确定非季节性差分数d从0至3循环，平稳后停止，当检验模型参数时d=0时数据已经平稳。

2、确定ARIMA模型阶数
这个步骤中需要确定的阶数有2个：AR阶数p，MA阶数q。用基于AICBIC准则的方法定阶。
p：代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项。p通常在0~3之间，通过循环可得p=2时，AICBIC值最小。
q：代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项。q通常在0~3之间，通过循环可得q=3时，AICBIC值最小。

3、残差检测
为了确保确定的阶数合适，还需要进行残差检验。残差即原始信号减掉模型拟合出的信号后的残余信号。如果残差是随机正态分布的、不自相关的，这说明残差是一段白噪声信号，也就说明有用的信号已经都被提取到模型中了

上图为残差检验的结果图。Standardized Residuals是查看残差是否接近正态分布，理想的残差要接近正态分布；ACF和PACF检验残差的自相关和偏自相关，理想的结果应该在图中不存在超出蓝线的点；最后一张QQ图是检验残差是否接近正太分布的，理想的结果中蓝点应该靠近红线。
除了上述图像检验方法，还可以通过Durbin-Watson对相关性进行检验：
Durbin-Watson 统计是计量经济学分析中最常用的自相关度量，该值接近2，则可以认为序列不存在一阶相关性。
运算结果为1.99，这个值越接近2越说明残差不存在一阶相关性。
上述检验可以证明，残差接近正态分布，且相互独立，可以认为ARIMA建模符合要求。

二、预测效果对比

表 ARIMA训练集和测试集预测结果评价指标
样本 RMSE MSE MAE R2
训练集 5.8556 34.2885 3.6008 0.87792
测试集 7.0661 49.9298 4.074 0.86357

表 SARIMA训练集和测试集预测结果评价指标
样本 RMSE MSE MAE R2
训练集 2.101 4.4143 0.88828 0.93821
测试集 1.6282 2.6511 1.1039 0.97196

从评价指标数值表的角度看，SARIMA相比ARIMA在销量预测上有较高的精度，测试所得的误差值较小，能深入挖掘长时间序列数据的深层规律。SARIMA对周期性波动性的挖掘较为深入。

三、部分代码展示

close all
clear all
%% 1.加载数据
xall= importdata('经营数据2.xlsx');%导入数据
time=xall.textdata;%时间数据
xnum = datenum(time(2:end,1)); % 将日期转为数值
data= xall.data(:,2);% 时间序列数据 
data1=data;
step = 12;

%% 2.d从0至3循环，平稳后停止
for d = 0:3
        dY = diff(data)%对原数据进行差分运算  
    if(getStatAdfKpss(dY)) %数据平稳
        disp(['非季节性差分数为',num2str(d)]);
        break;
    end
end
%% 3.确定阶数ARlags,MALags
max_ar = 3;    %ARlags上限
max_ma = 3;    %MALags上限
id=1;
[STD1, EstMdl1, canshu] = find_pdq_arima(id,max_ar,max_ma);

四、代码获取

1.阅读首页置顶文章
2.关注CSDN
3.根据自动回复消息，回复“89期”以及相应指令，即可获取对应下载方式。