概述
数学建模的过程中必然会出现许多难以预料的问题，哪怕仅仅是⼀个温度预测模型也有莫⼤学问，譬如预测⼆⼗四⼩时内的温度变化，这多变量时间序列短期预测确实让我伤透了脑筋。
查阅了不少资料后，⼩弟我也勉勉强强总结出⼀套⾏之有效的办法，如有错漏，还请各位⼤佬予以指正。
基本步骤往来业务核算
1、根据时间序列的散点图、⾃相关函数和偏⾃相关函数图识别其平稳性。
2、对⾮平稳的时间序列数据进⾏平稳化处理。直到处理后的⾃相关函数和偏⾃相关函数的数值⾮显著⾮零。
3、根据所识别出来的特征建⽴相应的时间序列模型。平稳化处理后，若偏⾃相关函数是截尾的，⽽⾃相关函数是拖尾的，则建⽴AR模型；若偏⾃相关函数是拖尾的，⽽⾃相关函数是截尾的，则建⽴MA模型；若偏⾃相关函数和⾃相关函数均是拖尾的，则序列适合ARIMA模型。
链接: .
4、参数估计，检验是否具有统计意义。
5、假设检验，判断（诊断）残差序列是否为⽩噪声序列。
⽩噪声在实际拟合模型的时候其实就是残余数，模型加上这个是为了解释只⽤ARMA部分预测不了的随机性。
6、利⽤已通过检验的模型进⾏预测。云梦县教育局
引⾔
要进⾏多变量时间序列的分析预测，⾸先对单变量进⾏建模，并分析判断其在建模过程中表现出来的种种特性，有的童鞋上来直接进⾏多变量分析，把变量⼀股脑的扔到这⾥。
然后直接确定，最后结果只能是……
⼯欲善其事必先利其器，让我们从单变量开始吧。石家庄雾霾治理
链接: .
具体步骤百度经验上有详细的介绍，这⾥不再赘述，反正⼤家对⽹上能搜到的东西也不是很感兴趣。下⾯直接把我建模过程中遇到的问题和⾃认为的中间简略说⼀下。
单变量时间模型
因为我要完成的是基于⼤量数据（近100天）的短时间（24⼩时）预测，故不必分析季节成分。
ARIMA模型要求序列是平稳序列，因此要对数据进⾏平稳性分析。
由上述序列的⾃相关图（ACF）和偏⾃相关图（PACF）分析可知，其都是拖尾的，说明序列是⾮平内蒙古农业大学学报
稳的。温度数据序列通常不是平稳序列，但⼀般⼀阶差分都是平稳的，因此可以通过差分做进⼀步分析。
*⾃相关函数ACF描述的是时间序列观测值与其过去的观测值之间的线性相关性。
活化钢*偏⾃相关函数PACF描述的是在给定中间观测值的条件下，时间序列观测值预期过去的观测值之间的线性相关性。
根据差分序列图，观察其平稳性，差分序列基本均匀分布在0刻度线上下两侧，因此可以认为差分序列是平稳的。差分闲话：差分，⼀般在⼤数据⾥⽤在以时间为统计维度的分析中，其实就是下⼀个数值 ，减去上⼀个数值 。
差分: .
差分序列的ACF和PACF都是拖尾的，因此，可对原始序列建⽴ARIMA(p,1,q)模型。2013年浙江省高考作文
链接:
经过对图像的分析处理，确定模型为ARIMA(2,1,13)
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议