4Р86.8Р83.5Р86.2Р84.1Р82.3Р84.8Р86.6Р83.5Р78.1Р88.8Р81.9Р83.3Р80Р87.2Р83.3Р86.6Р79.5Р84.1Р82.2Р90.8Р86.5Р79.7Р81Р87.2Р81.6Р84.4Р84.4Р82.2Р88.9Р80.9Р85.1Р87.1Р84Р76.5Р82.7Р85.1Р83.3Р90.4Р81Р80.3Р79.8Р89Р83.7Р80.9Р87.3Р81.1Р85.6Р86.6Р80Р86.6Р83.3Р83.1Р82.3Р86.7Р80.2Р表3-22Р(1)判断该序列的平稳性与纯随机性Р该序列的时序图如下(图11)Р图11Р由时序图显示过去201个连续的生产记录数据围绕早84附近随机波动,没有明显趋势或周期,基本可以看成平稳序列,为了稳妥起见,做了如下自相关图(图12)Р图12Р自相关图显示该序列自相关系数一直都比较小,1阶开始控制在2倍的标准差范围以内,可以认为该序列自始自终都在零轴附近波动,这是随即性非常强的平稳时间序列。Р纯随机性检验见下图:(图13)Р图13Р P值显著小于0.05,可以认为这个拟合模型的残差序列不属于白躁声序列Р(2)如果序列平稳且非白躁声,选折适当模型拟合序列的发展Р模型识别如下图(图14)Р图14Р最后一条信息显示,在自相数迟阶数小于等于5,移动平均延迟阶数也小于等于5的所有ARMA(p,q)模型中,BIC信息量相对最小的是ARMA(0,1)模型,既MA(1)模型。Р(3)利用拟合模型,预测该城市下一时刻95%的置信区间。Р下一时刻95%的置信区间[80.0,90.4]Р实验小结:给定一个序列,我们首先应该判断平稳性,如果平稳,再检查是否是纯随机序列,如果序列平稳且非白躁声,选折适当模型拟合序列的发展,选择AR,MA,或ARMA模型,然后可以对该序列进行预测。
全文预览
