论文部分内容阅读
时间序列数据是经济金融、交通运输和工程管理等领域常见的数据,这些领域的许多理论与实践问题对时间序列的分析提出了迫切的要求。实际的时间序列受到许多不同因素的影响,包含了反映序列自身周期波动及序列之间关系的重要信息,需要我们认真研究这些因素的作用。20世纪以来,不断有学者对时间序列进行专门分析,提出了多种模型,如SARIMA模型、X-12-ARIMA模型、BP神经网络模型和灰色预测模型等等,这些工作使时间序列的理论和应用进一步深入发展。不同预测模型各有优劣,都反映了原始数据的部分信息。经典模型中的SARIMA模型是一般的ARIMA过程在季节时间序列模型中的推广,具有很强的线性建模能力,X-12-ARIMA模型是国际上广泛使用的基于过滤器的季节调整模型。为了进一步提高预测精度,充分发挥不同模型的优点,Bates等提出了组合模型的构想。本文将根据不同的思路去建立时间序列的组合预测模型。本文的工作具体包括：首先,构建X-12-ARIMA(加法、乘法)与SARIMA模型,通过分析比较这三个模型,结果表明X-12-ARIMA加法模型的预测效果明显低于X-12-ARIMA乘法模型,相应的也低于SARIMA模型。其次,本文提出了X-12-ARIMA乘法模型和SARIMA模型相结合的组合模型对四川省居民消费价格指数(CPI)进行最终预测。在此组合模型中,我们为了探究最优的权重系数,采用的是混沌粒子群算法,以平均绝对百分比误差(MAPE)为目标函数,借助于MATLAB软件,MAPE达到最小时,求解最优的权重系数。最后,我们实证分析了四川省CPI时序,并对居民消费价格指数变化趋势进行预测,比较了单一模型与组合模型,结果表明X-12-ARIMA乘法模型和SARIMA模型相结合的组合模型不仅仅能够更好地反映数据的变化,还能够把各个单一模型的优势结合在一起。