论文摘要
在自然科学和社会科学各研究领域中,大量决策问题都离不开预测,预测是决策的的基础。实际上,有关事物的信息经常是不完全的,有关的理论也是不完善的,人们对事物的了解仅限于观测数据,即时间序列,因此只能利用现有的历史数据构造模型,进而预测未来。作为数据挖掘的重要研究课题之一,时间序列的挖掘和预测近几年来发展迅速。统计预测是运用统计学等方法,对事物作定量或定性分析得出预测结果的一种方法。诸多统计预测算法在现实生产生活中都得到了广泛的应用,例如:移动平均算法、指数平滑算法以及ARMA、ARIMA方法等等。统计预测方法建立在严密的数学理论基础之上,具有结构简单、预测速度快、方便操作等特点,相对于其他时序分析预测方法(如:回归分析、神经网络等)更适合实际应用。在目前统计预测中,存在着非平稳序列分析效果差、多步预测误差较大、缺乏系统的软件实现等问题。本文针对该类问题进行研究,提出了NARIMA方法,该方法以ARIMA模型为基础,有效结合了游程平稳检验方法、差分平稳处理方法、线性最小方差预测算法等,解决了传统统计预测方法中存在的上述问题。本文主要创新工作如下:(1)针对传统方法分析非平稳序列效果差的特点,提出了游程检验法。主要思想:对样本序列进行假设检验,若平稳性不满足,对序列进行差分处理,检验,直到平稳性满足。同时,分析结果可以通过反差分变换映射给原序列。(2)针对传统预测算法多步预测误差逐步增加的问题,提出了带修正因子的预测算法。主要思想:引入误差动态修正因子,对于多步预测过程中由于模型结构的改变而导致的误差进行动态修正,大大提高预测精度。(3)针对各种分析方法的系统研究,提出一种新型时序分析方法(NARIMA方法)。主要包括:数据预处理、模型辨识、参数估计、预测分析、误差分析等部分。并给出了该方法的详细分析流程和算法实现。(4)针对缺乏系统的软件实现问题,本文以NARIMA方法为技术核心开发了一个时间序列分析预测系统。该系统采用Java语言开发,并实现了Struts、Hibernate、Spring三大主流技术框架的有效结合,从而保证了整个系统的高效运转以及未来的软件升级、软件复用等。