时间序列预测的常用方法及优缺点分析
时间序列预测的常用方法及优缺点分析
时间序列预测的常用方法及优缺点分析一、常用方法1. 移动平均法（Moving Average）移动平均法是一种通过计算一系列连续数据的平均值来预测未来数据的方法。
这个平均值可以是简单移动平均（SMA）或指数移动平均（EMA）。
SMA是通过取一定时间窗口内数据的平均值来预测未来数据，而EMA则对旧数据赋予较小的权重，新数据赋予较大的权重。
移动平均法的优点是简单易懂，适用于稳定的时间序列数据预测；缺点是对于非稳定的时间序列数据效果较差。
2. 指数平滑法（Exponential Smoothing）指数平滑法是一种通过赋予过去观测值不同权重的方法来进行预测。
它假设未来时刻的数据是过去时刻的线性组合。
指数平滑法可以根据数据的特性选择简单指数平滑法、二次指数平滑法或霍尔特线性指数平滑法。
指数平滑法的优点是计算简单，对于较稳定的时间序列数据效果较好；缺点是对于大幅度波动的时间序列数据预测效果较差。
3. 季节分解法（Seasonal Decomposition）季节分解法是一种将周期性、趋势性和随机性分开处理的方法。
它假设时间序列数据可以被分解为这三个不同的分量，并独立预测各分量。
最后将这三个分量合并得到最终的预测结果。
季节分解法的优点是可以更准确地预测具有强烈季节性的时间序列数据；缺点是需要根据具体情况选择合适的模型，并且较复杂。
4. 自回归移动平均模型（ARMA）自回归移动平均模型是一种统计模型，通过考虑当前时刻与过去时刻的相关性来进行预测。
ARMA模型考虑了数据的自相关性和滞后相关性，能够对较复杂的时间序列数据进行预测。
ARMA模型的优点是可以更准确地预测非稳定的时间序列数据；缺点是模型参数的选择和估计比较困难。
5. 长短期记忆网络（LSTM）长短期记忆网络是一种深度学习模型，通过引入记忆单元来记住时间序列数据中的长期依赖关系。
LSTM模型可以有效地捕捉时间序列数据中的非线性模式，具有很好的预测性能。
LSTM模型的优点是适用于各种类型的时间序列数据，可以提供较准确的预测结果；缺点是对于数据量较小的情况，LSTM模型容易过拟合。
时间序列预测方法综述
时间序列预测方法综述一、本文概述时间序列预测，作为数据分析与预测领域的重要分支，长期以来一直受到学者们的广泛关注。
时间序列数据，按照时间顺序排列的一系列数据点，广泛存在于金融、经济、气象、医学、工程等诸多领域。
对这些数据进行有效预测，对于决策制定、风险管理、趋势洞察等具有重要意义。
本文旨在对时间序列预测方法进行全面的综述，以期为读者提供清晰、系统的理论知识与实践指导。
文章将首先介绍时间序列预测的基本概念、研究意义和应用场景，为后续讨论奠定基础。
随后，将详细阐述时间序列数据的特性与分类，以及预测过程中常见的挑战与问题。
在此基础上，文章将重点综述各类时间序列预测方法，包括传统统计方法、机器学习方法和深度学习方法等，分析它们的原理、优缺点及适用范围。
还将关注这些方法的最新研究进展和发展趋势，以反映该领域的最新动态。
本文将总结时间序列预测的实践经验和应用案例，为读者提供实际操作的参考。
通过本文的综述，我们期望能够帮助读者更好地理解和应用时间序列预测方法，推动相关领域的理论与实践发展。
二、时间序列的基本概念与特性时间序列，是指按照时间顺序排列的一系列数据点，通常用于描述某种现象随时间变化的趋势和规律。
时间序列分析是统计学的一个重要分支，广泛应用于经济、金融、环境科学、医学、社会学等多个领域。
时间序列数据具有独特的特性，如趋势性、季节性、周期性、随机性等，这些特性对于时间序列的预测分析具有重要意义。
趋势性是指时间序列数据随时间呈现出的长期变化趋势。
这种趋势可以是线性的，也可以是非线性的。
例如，一个地区的人口数量可能会随着时间呈现线性增长趋势，而一个产品的销售额可能会呈现非线性增长趋势。
季节性是指时间序列数据在一年内或某一固定周期内重复出现的变化模式。
这种变化模式通常与季节变化有关，如夏季销售额上升、冬季销售额下降等。
季节性是时间序列数据的一个重要特性，对于预测和分析具有重要的指导作用。
周期性是指时间序列数据在固定周期内重复出现的变化模式。
时间序列预测的常用方法与优缺点
时间序列预测的常用方法与优缺点时间序列预测是一种对时间序列数据进行分析和预测的方法。
它主要通过对过去的数据进行分析来预测未来的趋势。
时间序列预测是很多领域中常用的方法，比如经济学、金融学、气象学等。
下面将介绍几种常用的时间序列预测方法以及它们的优缺点。
1. 移动平均法（Moving Average Method）移动平均法是一种简单而常见的时间序列预测方法。
它通过计算过去一段时间内的平均值来预测未来的数据。
移动平均法的优点包括简单易懂、易于计算和解释，适用于平稳的时间序列。
然而，移动平均法对于趋势、季节性和周期性等特征的数据不够敏感。
2. 加权移动平均法（Weighted Moving Average Method）加权移动平均法是在移动平均法的基础上引入加权因子，对过去的数据进行加权平均。
这样可以更加准确地反映未来的趋势。
加权移动平均法的优点是可以根据实际情况调整加权因子，适用于不同的趋势性。
然而，加权移动平均法仍然对季节性和周期性等特征的数据不够敏感。
3. 指数平滑法（Exponential Smoothing Method）指数平滑法是一种根据过去的数据赋予不同的权重，通过对过去数据的加权平均来预测未来的数据的方法。
指数平滑法的优点是可以较好地适应不同的趋势和季节性，并且对近期数据给予更高的权重。
然而，指数平滑法对于长期趋势和季节性的数据效果不佳。
4. 季节性模型（Seasonal Model）季节性模型是一种用来处理具有季节性特征的时间序列的方法。
它通常将时间序列分解为趋势、季节性和残差三个部分，并对它们分别进行预测。
季节性模型的优点是可以更准确地预测季节性数据，并且对于长期和短期的趋势都能较好地预测。
缺点是需要较多的数据用来建立模型，而且对于具有复杂季节性的数据预测效果不佳。
5. 自回归移动平均模型（Autoregressive Moving Average Model，ARMA）ARMA模型是一种常用的时间序列预测方法，它是自回归模型和移动平均模型的结合。
统计学中的时间序列预测方法
统计学中的时间序列预测方法时间序列预测是统计学中的一项重要技术，它可以帮助我们预测未来的趋势和变化。
在经济学、金融学、气象学等领域，时间序列预测被广泛应用于预测股市走势、经济增长、天气变化等各种现象。
本文将介绍一些常见的时间序列预测方法，并探讨它们的优缺点。
一、移动平均法移动平均法是最简单的时间序列预测方法之一。
它的原理是通过计算过去一段时间内的平均值来预测未来的值。
这种方法适用于数据波动较小、趋势稳定的情况。
然而，移动平均法无法捕捉到数据的非线性变化和季节性变化，因此在处理复杂的时间序列数据时效果有限。
二、指数平滑法指数平滑法是一种基于加权平均的时间序列预测方法。
它通过对历史数据进行加权平均，使得最近的数据权重更高，从而更好地反映最新的趋势。
指数平滑法适用于数据波动较大、趋势不稳定的情况。
然而，它对于季节性变化的数据处理效果较差，因此在处理季节性时间序列数据时需要进行改进。
三、ARIMA模型ARIMA模型是一种广泛应用于时间序列预测的统计模型。
ARIMA模型包括自回归（AR）、差分（I）和移动平均（MA）三个部分。
自回归部分描述了当前值与过去值的关系，差分部分用于处理非平稳数据，移动平均部分描述了当前值与过去误差的关系。
ARIMA模型适用于各种类型的时间序列数据，但是它的参数选择和模型拟合较为复杂，需要一定的统计知识和经验。
四、神经网络模型神经网络模型是一种基于人工神经网络的时间序列预测方法。
它通过模拟人脑神经元之间的连接和传递信息的方式，来学习和预测时间序列数据的规律。
神经网络模型适用于处理非线性和复杂的时间序列数据，具有较强的适应性和泛化能力。
然而，神经网络模型的训练时间较长，需要大量的数据和计算资源。
五、回归模型回归模型是一种基于统计回归分析的时间序列预测方法。
它通过建立一个数学模型来描述自变量与因变量之间的关系，并利用历史数据来拟合模型，从而进行未来值的预测。
回归模型适用于线性和非线性的时间序列数据，但是它对数据的分布和误差的假设较为敏感，需要进行模型检验和优化。
时间序列预测法
时间序列预测法1. 移动平均模型（MA）：移动平均模型是一种简单的预测方法，利用历史数据的平均值来预测未来值。
它基于平滑的概念，通过计算不同时间窗口内的数据均值来减少噪声。
2. 自回归模型（AR）：自回归模型是一种利用过去时间点上的变量值来预测未来时间点上的值的方法。
它基于假设，即未来的值与过去的值相关，通过计算时间序列的自相关性来进行预测。
3. 移动平均自回归模型（ARMA）：移动平均自回归模型是自回归模型和移动平均模型的结合。
它同时考虑了过去时间点上的变量值和噪声项的影响，通过将两者进行加权平均来预测未来值。
4. 季节性自回归移动平均模型（SARMA）：季节性自回归移动平均模型是ARMA模型的扩展，考虑了季节性因素对时间序列的影响。
它通过引入季节性参数来捕捉周期性变化，从而提高预测精度。
5. 季节性自回归综合移动平均模型（SARIMA）：季节性自回归综合移动平均模型是SARMA模型的进一步扩展。
它除了考虑季节性外，还同时考虑了趋势和噪声项的影响，通过引入差分操作来消除线性趋势和季节性差异，从而进一步提高预测准确度。
以上是一些常用的时间序列预测方法，每种方法都有其适用的场景和优缺点。
选择合适的方法需要对数据特点和预测目标进行分析，并结合模型评估指标进行选择。
时间序列预测方法是指在一串连续的时间点上收集到的数据样本中，通过分析各时间点之间的关系来预测未来时间点上的变量值的方法。
这些时间序列数据通常具有以下特征：趋势（如上涨或下跌的趋势）、周期性（如季节变化）、周期（如每月、每年的循环）和随机噪声（如突发事件的影响）。
时间序列预测常用于经济预测、股票预测、天气预测等领域。
在时间序列预测中，最简单的方法是移动平均模型（MA）。
该模型假设未来的值等于过去一段时间内的数据的均值，通过使用滑动窗口来计算平均值，以预测未来时间点上的值。
这种方法的优点是简单易懂，但是它不能很好地捕捉到时间序列的趋势和周期。
为了解决这个问题，自回归模型（AR）被提出。
时间序列预测方法
时间序列预测方法时间序列预测是指根据历史数据的趋势和规律，对未来一段时间内的数值进行预测的方法。
在实际生活和工作中，时间序列预测被广泛应用于经济预测、股票价格预测、气象预测、销售预测等领域。
本文将介绍几种常见的时间序列预测方法，以及它们的应用场景和特点。
首先，我们来介绍一下最常见的时间序列预测方法之一——移动平均法。
移动平均法是一种简单而有效的预测方法，它通过计算一定期间内的数据平均值来预测未来的数值。
移动平均法适用于数据波动较小、趋势变化较为平稳的情况，例如对某个产品销售量的预测。
但是，移动平均法对于数据波动较大、趋势不稳定的情况预测效果较差。
其次，指数平滑法也是一种常用的时间序列预测方法。
指数平滑法通过对历史数据赋予不同的权重，来预测未来的数值。
指数平滑法适用于数据波动较大、趋势变化较为剧烈的情况，例如对股票价格的预测。
指数平滑法能够较好地捕捉数据的趋势和变化，但是在数据波动较小、趋势稳定的情况下，预测效果可能不如移动平均法。
除了上述两种方法，还有一种常见的时间序列预测方法是回归分析法。
回归分析法通过建立数学模型，利用历史数据的变量之间的相关性来预测未来的数值。
回归分析法适用于多个变量之间存在一定相关性的情况，例如对宏观经济指标的预测。
回归分析法能够考虑多个因素对预测结果的影响，但是需要满足一定的假设条件，且对数据的要求较高。
总的来说，时间序列预测方法各有特点，选择合适的方法需要根据具体的预测对象和数据特点来决定。
在实际应用中，可以根据数据的特点和预测的要求，综合考虑各种方法的优缺点，选择最合适的方法进行预测。
同时，随着人工智能和大数据技术的发展，基于机器学习的时间序列预测方法也逐渐得到了广泛的应用，为时间序列预测提供了新的思路和方法。
综上所述，时间序列预测方法是一种重要的数据分析工具，它在各个领域都有着广泛的应用前景。
通过选择合适的预测方法，结合实际情况和数据特点，可以更准确地预测未来的趋势和变化，为决策提供有力的支持。
时间序列预测的常用方法与优缺点分析
时间序列预测的常用方法与优缺点分析1. 移动平均法（Moving Average Method）移动平均法是最简单的时间序列预测方法之一。
它的基本思想是取过去一段时间内观测值的平均数作为未来预测值。
移动平均法适用于数据存在一定的周期性和趋势性的情况，比如季节变动较为明显的销售数据。
但是移动平均法在预测周期性较长的数据时会存在滞后的问题。
2. 简单指数平滑法（Simple Exponential Smoothing Method）简单指数平滑法是基于指数加权的方法，它对历史数据进行平滑处理，然后将平滑后的值作为未来预测值。
简单指数平滑法适用于数据波动较小、趋势变化较缓的情况。
它的优点是计算简单、速度快，但是对于数据呈现出较大的波动和季节性变动的情况，预测效果较差。
3. 加权移动平均法（Weighted Moving Average Method）加权移动平均法是对移动平均法的改进，它在计算未来预测值时给予不同时间点的观测值不同的权重。
通过合理设置权重，可以充分考虑到数据的周期性和趋势性，减小预测误差。
加权移动平均法适用于数据具有明显的季节变动和趋势变动的情况。
但是加权移动平均法需要根据具体情况合理设置权重，这对用户经验有一定要求。
4. ARIMA模型（Autoregressive Integrated Moving Average Model）ARIMA模型是一种广泛应用于时间序列预测的统计模型。
ARIMA模型包含三个部分：自回归（AR）、差分（I）和移动平均（MA）。
ARIMA模型通过寻找最佳的AR、I和MA参数，建立数据的数学模型，从而预测未来的观测值。
ARIMA模型适用于任意类型的时间序列数据，但是对于数据的预处理和参数的选择较为复杂，需要一定的统计知识。
5. 长短期记忆网络（Long Short-Term Memory Network）长短期记忆网络是一种基于神经网络的时间序列预测方法。
该方法通过自适应地学习历史观测值之间的关系，能够捕捉到数据中的非线性关系和时序依赖性。
时序预测中的时间序列插值方法分享(Ⅲ)
时序预测中的时间序列插值方法分享在时序预测中，时间序列数据的插值方法是非常重要的一环。
时间序列数据可能会因为各种原因出现缺失值，比如设备故障、数据采集错误等等，这时就需要对缺失值进行插值处理。
本文将分享一些常用的时间序列插值方法，以及它们的优缺点和应用场景。
一、线性插值法线性插值法是一种简单而常用的插值方法。
它的原理是通过已知的数据点之间的线性关系来预测缺失值。
具体来说，就是假设两个已知点之间的数据是线性变化的，然后用这一线性关系来预测缺失值。
线性插值法的优点是简单易用，计算速度快。
但是它也有明显的缺点，比如对数据的变化趋势要求较高，对异常值敏感，不适用于非线性数据。
二、拉格朗日插值法拉格朗日插值法是一种多项式插值法，它通过已知的数据点来构造一个满足插值条件的多项式，从而预测缺失值。
这种方法的优点是可以拟合各种类型的数据，可以达到高阶的插值精度。
然而，拉格朗日插值法也存在一些缺点。
首先，当数据点比较稀疏时，插值多项式可能会出现过拟合的情况。
其次，高阶多项式插值可能会引入振荡和不稳定性，对数据的噪声比较敏感。
三、样条插值法样条插值法是一种光滑插值方法，它通过在相邻数据点处使用不同的低次多项式来拟合数据。
这种方法的优点是能够在保持光滑性的同时拟合数据，也可以避免插值多项式的振荡和不稳定性。
但是样条插值法也有一些限制，比如对于高维数据的计算复杂度较高，需要较多的计算资源。
同时，对于非周期性的数据，样条插值可能会引入不必要的光滑性。
四、基于机器学习的插值方法除了传统的插值方法，近年来基于机器学习的插值方法也逐渐受到关注。
比如使用回归模型、神经网络等方法来学习数据点之间的复杂关系，从而实现时间序列的插值预测。
这种方法的优点是可以适应各种类型的数据，具有很强的灵活性和泛化能力。
但是也需要大量的数据和计算资源来训练模型，对模型的选择和调参要求较高。
五、时间序列插值方法的选择在实际应用中，选择合适的时间序列插值方法是非常重要的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
三次指数平滑的计算公式是：
S
(1) t
xt
(1
)
S
(1) t 1
S
( t
2
)
S
(1) t
(1
)
S
(2) t 1
S
( t
3)
S
( t
2
)
(1
)
S
(3) t 1
8.4.3 三次指数平滑法（2）
三次指数平滑法的数学预测模型：
x tT at btT ctT 2 其中
时序 1 2 3 4 5 6 7 8 9 10 11 12
实际观察值 38 45 35 49 70 43 46 55 45 65 64 43
Mt(1)(n=4)
41.75 49.75 49.25 52.00 53.50 47.25 52.75 57.25 54.25
Mt(2)(n=4)
48.19 51.13 50.50 51.38 52.69 52.88
例
观察期 1
2
3
4
5
6 预测值
观察值 1050 1080 1030 1070 1050 1060 1057
8.2.2 加权算术平均数法（1）
加权算术平均数法是简单算术平均数法的改进。它根据 观察期各个时间序列数据的重要程度，分别对各个数据 进行加权，以加权平均数作为下期的预测值。
对于离预测期越近的数据，可以赋予越大的权重。 加权算术平均数法的预测模型是：
8.3.2 二次移动平均法（4）
根据模型计算得到
a12
2M
(1) 12
M (2) 12
2 54.25 52.88 55.62
b12
n
2
1
(
M
(1) 12
M (2) 12
)
2 (54.25 52.88) 4 1
0.913
所以有 x12T 55.62 0.913 T
预测2003年 x121 55.62 0.9131 56.53
8.3.1 一次移动平均法（2）
一次移动平均数的计算公式如下：
x t 1
M (1) t
xt
xt 1
xt 2 ... xt (n1) n
8.3.1 一次移动平均法（3）
例
观察年份 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
8.2.3 几何平均数法（1）
几何平均数法是以一定观察期内预测目标的时间序列的 几何平均数作为某个未来时期的预测值的预测方法。
几何平均数法一般用于观察期有显著长期变动趋势的预 测。
几何平均数法的预测模型是：
x x n x1 x2 x3 ... xn 或
x x n a1 a2 a3 ... an n an
8.4 指数平滑法预测
指数平滑法来自于移动平均法，是一次移动平均 法的延伸。指数平滑法是对时间数据给予加工平 滑，从而获得其变化规律与趋势。
根据平滑次数的不同，指数平滑法可以分为： 一次指数平滑法 二次指数平滑法 三次指数平滑法
8.4.1 一次指数平滑法（1）
公式：
基x本t计1 算公x式t (1 ) x t
at
3S
(1) t
3S
( t
2)
S (3) t
bt
2(1
)
[(6
5
)
S
(1) t
2(5
4
)S
( t
2)
(4
3
)
S
(3) t
]
ct
2 2(1 )2
(S
(1) t
2S
( t
2
)
S (3) t
)
8.5 趋势法预测
分割平均法 直线趋势的分割平均法 抛物线趋势的分割平均法
最小二乘法 三点法
直线趋势预测模型 抛物线趋势预测模型
8.4.1 一次指数平滑法（2）
例（ 0.5, S0(1) 取为前三项的平均值）
时序 销售量
St(1)
1
2
3
4
5
6
7
8
9 10 11 12 13
10 15 8 20 10 16 18 20 22 24 20 26
11 10.5 12.8 10.4 15.2 12.6 14.3 16.2 18.1 20.1 22.0 21.0 23.5
简单平均数法是用一定观察期内预测目标的时间序列的 各期数据的简单平均数作为预测期的预测值的预测方法。
在简单平均数法中，极差越小、方差越小，简单平均数 作为预测值的代表性越好。
简单平均数法的预测模型是：
n
x x
x1 x2 x3 ... xn
xi
i 1
n
n
8.2.1 简单算术平均数法（2）
1558
8.3 移动平均数预测
移动平均法根据时间序列逐项移动，依次计算包含一定 项数的平均数，形成平均数时间序列，并据此对预测对 象进行预测。
移动平均可以消除或减少时间序列数据受偶然性因素干 扰而产生的随机变动影响。
移动平均法在短期预测中较准确，长期预测中效果较差。 移动平均法可以分为：
一次移动平均法 二次移动平均法
a7
2S
(1) 7
S
( 7
2)
2 80.342 78.747 81.937
b7
1
(S
(1) 7
S
(2) 7
)
0.8 (80.342 78.747) 1 0.8Fra bibliotek6.38
x 7T a7 b7T 81.937 6.38T
观察年份 1996
时序 1
观察值 40
St(1)
41.534
St(2)
x2
a bt 2
ct
2 2
x3
a bt3
ct
2 3
8.5.2 抛物线趋势的分割平均法（2）
例
观察年份
1997
1998
1999
2000
2001
2002
时序
1
2
3
4
5
6
观察值
1200 1400 1620 1862 2127 2413
将上表数据分为等距的三段，每段两个数据。分别计算三点坐标得到：
时间序列预测法也叫历史延伸法或外推法。 时间序列预测法的基本特点是：
假定事物的过去趋势会延伸到未来； 预测所依据的数据具有不规则性； 撇开了市场发展之间的因果关系。
8.1.2 时间序列预测的原理与依据
时间序列是指同一变量按事件发生的先后顺序排列起来 的一组观察值或记录值。构成时间序列的要素有两个： 其一是时间，其二是与时间相对应的变量水平。实际数 据的时间序列能够展示研究对象在一定时期内的发展变 化趋势与规律，因而可以从时间序列中找出变量变化的 特征、趋势以及发展规律，从而对变量的未来变化进行 有效地预测。
x x w1 x1 w2 x2 w3 x3 ... wn xn n wi xi i 1
其中 w1 w2 w3 ... wn 1
8.2.2 加权算术平均数法（2）
例
观察期 1
2
3
4
5
6 预测值
观察值 1050 1080 1030 1070 1050 1060 1056
权重(w) 0.1 0.1 0.15 0.15 0.2 0.3
二次移动平均法是对一次移动平均数再次进行移 动平均，并在两次移动平均的基础上建立预测模 型对预测对象进行预测。
二次移动平均法与一次移动平均法相比，其优点 是大大减少了滞后偏差，使预测准确性提高。
二次移动平均只适用于短期预测。而且只用于T 0 的情形。
8.3.2 二次移动平均法（2）
二次移动平均法的预测模型如下：
42.655
1997
2
47
45.906
45.256
1998
3
56
53.981
52.236
1999
4
65
62.796
60.684
2000
5
70
68.559
66.984
2001
6
75
73.712
72.366
2002
7
82
80.342
78.747
8.4.3 三次指数平滑法（1）
当时间序列为非线性增长时，一次指数平滑与二次指数 平滑都将失去有效性；此时需要使用三次指数平滑法。
M
(1) t
xt
xt 1
xt 2 ... xt (n1) n
M
(2) t
M
(1) t
M (1) t 1
M (1) t 2
n
...
M
(1) t ( n1)
x t T at btT
其中
at
2M
(1) t
M
(2) t
bt
n
2
1
(
M
(1) t
M
(2) t
)
8.3.2 二次移动平均法（3）
例
观察年份 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
x1
1200 1400 2
1300
x2
1620 1862 2
1741
x3
2127 2
2003（25.5）
8.5.1 直线趋势的分割平均法（3）
计算过程
13 15 16 18
x1
4