线性趋势外推法
时间序列分解法和趋势外推法
时间序列分解法和趋势外推法时间序列分解法和趋势外推法是两种常用的时间序列分析方法。
时间序列分析是一种用来预测未来数据趋势和周期性的统计学方法。
时间序列分解法是一种将时间序列数据分解成趋势、周期性和随机成分的方法。
它的基本假设是时间序列数据是由多个不同的组成部分构成的，通过将这些组成部分分离出来，我们可以更好地理解数据的特征和行为。
常用的时间序列分解方法有加法模型和乘法模型。
加法模型将时间序列数据分解为趋势、周期性和随机成分的和。
趋势指的是数据的长期演变趋势，周期性表示数据在一段时间内出现的重复模式，而随机成分则代表了无法归因于趋势和周期性的随机波动。
加法模型的优点是适用于各种类型的时间序列数据，并且容易理解和解释。
乘法模型将时间序列数据分解为趋势、周期性和随机成分的乘积。
乘法模型假设趋势和周期性分量与数据的幅度成比例，这意味着它适用于数据波动较大的情况。
与加法模型相比，乘法模型更适用于数据幅度随时间变化的情况。
趋势外推法是一种基于时间序列数据的趋势进行未来预测的方法。
它假设趋势是时间序列数据最主要的特征，通过拟合趋势线并对其进行外推，我们可以预测未来数据的变化趋势。
趋势外推法常用的方法包括线性趋势外推和指数趋势外推。
线性趋势外推假设趋势是线性的，即数据随时间的变化呈现线性增长或减少的趋势。
通过线性拟合找到数据的趋势线，然后根据趋势线的斜率和截距，预测未来数据的变化趋势。
线性趋势外推是最简单的趋势外推方法，但它假设趋势是恒定的，忽略了数据的非线性特征。
指数趋势外推假设趋势是指数增长或指数衰减的，即数据呈现幂函数的趋势。
通过拟合指数增长或衰减曲线找到数据的趋势线，然后根据趋势线进行未来数据的预测。
指数趋势外推较线性趋势外推更灵活，能够更好地适应不同的趋势模式。
总之，时间序列分解法和趋势外推法是时间序列分析的常用方法。
时间序列分解法可以将数据分解成趋势、周期性和随机成分，帮助我们更好地理解数据的特征和行为。
第四讲趋势外推法
于是得A、B、K的估计式为
B
S3 S2
S2 S1
n
A
B
1
S
2
S1
B
n
1
2
K
1 n
S1
A
n
B
1
B 1
1 n
S
1
S 2 S 1 n B 1
其中,参数L、a、b为正数。
修正指数曲线预测模型 指数曲线预测模型：
发展、成熟、衰落的过程。
一次（线性）预测模型：
这种方法是通过绘制散点图来进行的，即将时间序列的数据绘制成以时间t为横轴，时序观察值为纵轴的图形，观察并将其变化曲线与
1999 73.2 0.4
一阶差分 _ 比率
_ 0.8 0.2 0.94 0.4 1.0 0.83 0.8
解:描散点图,初步确定模型;
计算一阶差分比率,进一步验证选用修正指数曲线模型是否合适; 估计模型参数。
所求修正指数曲线预测模型:
yt 7.3 17328.2710.5 95t56
预测2000年的社会总需求量:
差分特性使用模型一阶差分相等或大致相等一次线性模型二阶差分相等或大致相等二次线性模型三阶差分相等或大致相等三次线性模型环比相等或大致相等指数曲线模型一阶差分比率相等或大致相等修正指数曲线模型多项式趋势预测模型及应用特别模型参数估计的简捷算法套用参数估计公式注意到y一般都是等间隔的时期或时点指标值它与时间t并无严格的因果关系
例5:某商品1991年投放市场以来,社会总需求量统计资料如下表
所列,试预测2000年的社会总需求量。
年份 总需求量 一阶差分
1991 50.0
_
1992 1993 60.0 68.0 10 8
趋势外推法法
第四节 趋势外推法趋势外推法，也称趋势延伸法，是根据预测目标的历史时间序列所揭示的变动趋势外推到未来以确定预测值的时序预测法。
可分为随手作图法，拟合直线方程法、拟合曲线方程法。
一、随手作图法这种方法是选定时间作为横轴，预测目标量作为纵轴，先按时间序列数据作出散点图。
然后根据备散在点所显示的趋势走向图形(直线或某种曲线)，运用直尺或曲线板随手画出一条沿各个点拟合度最佳的直线或曲线，并加以延伸，得出待预测时间对应的预测值。
该方法简便易行，不用建立数学模型，预测效果良好。
但这种方法全凭预测者的观察力和作图技巧，它直接影响到预测的精度。
二、拟合直线方程法这种方法是根据呈线性变动趋势的时间序列，拟合出直线方程bx a Y +=∧，再利用方程进行预测外推，得出预测结果。
直线方程bx a Y +=中，x 为按整数序编号的时间序列，Y 为预测目标量，a 、b 为参数。
设时刻为i x 时，对应的观察值为i Y ，n i ,,2,1 =。
根据这些数据我们要利用最小二乘法拟合出一条直线方程bx a Y +=∧即确定参数a 、b ，使拟合偏差i i Y Y ∧-的平方和∑∧-=22)(i i Y Y S 最小。
由微分法，令02=∂∂a S ，02=∂∂bS ，解之可得到∑∑---=-=x b Y x nb Y n a i i 11 （4-13） ∑∑∑∑∑--=22)())((i i i i i i x x n Y x Y x n b （4-14）当时间序列是整数项时，我们取i x 的中间项为0，其余按下列取值 …，-5，-4，-3，-2，-1，0，1，2，3，4，5，… （中间项）例如 n=7时，i x 分别取为-3，-2，-l ，0，1，2，3七个数值。
这样规定i x 取值后，n 为奇数时有∑=0i x ，则计算参数a 、b 的公式可以简化为∑==-i Y nY a 1（4-15）∑∑=2ii i xY x b （4-16） 例8 某市五金公司1978年到l984年销售额资料为 年份 l978 1979 1980 1981 1982 1983 1984 销售额 4923 5811 7171 8248 8902 9860 l0800(万元)试预测l985、1986两年的销售额。
趋势外推预测法
1.技术（或经济）发展的因素，不但决定了过去的技术发展，而且在很大程度上也决定着该技术的未来发展。这一前提假设实质上指的是在研究某项技术的过去、现在和未来的整个发展过程中，它保持相对不变，亦即内、外因保持相对不变。
2.技术或经济的发展过程，一般属于渐进变化，而不是跳跃式变化。这一前提假设实际上是指质的稳定性。
直线趋势外推法只适用时间序列数据呈直线趋势的上升（或下降）变化。
直线趋势外推法对时间序列数据，不论其远近如何都一律同等看待。
用最小二乘原理拟合的直线方程消除了不规则因子的影响，使趋势值都落在拟合直线上，从而消除了不规则变动。
3.1.
1．加权拟合直线方程法的原理
上述拟合直线方程法是估计线性趋势预测模型的参数的常用方法。其基本思想就是要使预测结果与实际数据的误差的平方和达到最小值。从结构上看，误差平方和 是每年的实际值 与该年的预测值 的偏差值的平方和，这意味着式 中的每一项都有同样的重要性，即不论这个误差是近期的或是远期的，都赋予同等的权数。但事实上，对于预测精确度来说，近期的误差比远期误差更为重要。如一个经济现象，在预测期前的几期递增趋势明显且稳定，而远期的数量指标曾有过较大的跳动，按最小平方法，尽管时间序列后几期的误差平方都不大，但由于前面开始几期跳跃较大，也会使 较大。这就使得本来预测误差不大，精度较高的预测值也得承认有较大的误差。这是不合理的。因此，在市场预测的实践中，要按照时间先后本着重近轻远的原则，对离差平方和进行赋权，然后再按最小二乘原理，使离差平方和达到最小，求出加权拟合直线方程。这种方法称为加权拟合直线方程法。
1) 列表计算有关数据。按式（3.11）与式（3.12）的要求，分别计算各年的 , , ， ， ， ，并加总求和，然后代入上式，有：
第三章趋势外推预测法
❖ 初始平滑值的确定：
（1）当原数列的数值个数较多时 （n>15），由于经过多次平滑运算，初 始值对指数平滑值影响逐步减弱到极小 的程度，可以忽略不计，所以可以选用 第一期观察值作为初始平滑值S0=Y1
❖ （2）当原序列的数值个数较少时， n<15，可以选用最初几期的平均数作为 初始平滑值,一般是前3-5个数据的算术 平均数。
Ft+T=at+btT
T为预测的长度。 N为移动项数。
注意：输出区域此时的选择
❖ 建立预测方程： F11+T=202.75+8.5T
3、指数平滑预测法
指数平滑法是用过去的时间序列的加权平均数 作为预测值，是加权移动平均法的一种特殊 形式，由美国经济学家布朗（Robert G.Brown）于1959年在其著作《库存管理的 统计预测》中提出来的。
❖ 例：假定1993-2008年产品C销售情况如表所 示，试用指数平滑法预测2009年的产品销售 量。
❖ 方法1： ❖ 直接计算：先计算指数平滑再进行预测。
❖ 假定初始平滑值S0=97，以平滑系数=0.3为例。
❖ 方法2: ❖ Excel实现： ❖ 工具—数据分析——指数平滑
注意： （1）默认的初始平滑值是原始数据的第一项。 （2）阻尼系数=1-a （3）最后一期平滑值需要再重新计算一下。 （4）注意输出区域的选择。
指数平滑公式：St(1) =aYt+(1-a)St-1
St(1) ：t时期的一次指数平滑值。a平滑系数
（0< a<1)；Yt为t时期的观察值。 ❖ 预测公式： St=Ft+1：第t 期的指数平滑值作
为第t+1期的预测值。
因此，上式可写成：Ft+1= aYt+(1-a)Ft T=1,2,3,4….n。
负荷预测的方法及特点
负荷预测的方法及特点负荷猜测是电力系统调度、实时掌握、运行方案和进展规划的前提，是一个电网调度部门和规划部门所必需具有的基本信息。
提高负荷猜测技术水平，有利于方案用电管理，有利于合理支配电网运行方式和机组检修方案，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。
因此，负荷猜测已成为实现电力系统管理现代化的重要内容，以下具体介绍负荷猜测的方法及特点：1.单耗法根据国家支配的产品产量、产值方案和用电单耗确定需电量。
单耗法分"产品单耗法"和"产值单耗法"两种。
采纳"单耗法"猜测负荷前的关键是确定适当的产品单耗或产值单耗。
从我国的实际状况来看，一般规律是产品单耗逐年上升，产值单耗逐年下降。
单耗法的优点是：方法简洁，对短期负荷猜测效果较好。
缺点是：需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。
2.趋势外推法当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y＝f(t)。
当有理由信任这种趋势能够延长到将来时，给予变量t所需要的值，可以得到相应时刻的时间序列将来值。
这就是趋势外推法。
应用趋势外推法有两个假设条件：①假设负荷没有跳动式变化；②假定负荷的进展因素也打算负荷将来的进展，其条件是不变或变化不大。
选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。
外推法有线性趋势猜测法、对数趋势猜测法、二次曲线趋势猜测法、指数曲线趋势猜测法、生长曲线趋势猜测法。
趋势外推法的优点是：只需要历史数据、所需的数据量较少。
缺点是：假如负荷消失变动，会引起较大的误差。
3.弹性系数法弹性系数是电量平均增长率与国内生产总值之间的比值，依据国内生产总值的增长速度结合弹性系数得到规划期末的总用电量。
趋势外推法
时序 （t）
23 24 25 26 27 28 29 30 31 32
总额 （ yt ） 1163.6 1271.1 1339.4 1432.8 1558.6 1800.0 2140.0 2350.0 2570.0 2849.4
Exceltek Electronics (HK) Ltd Confidential
SE ( y yˆ)2 n
例3:下表是我国1952年到1983年社会商品零 售总额(按当年价格计算），分析预测我国社 会商品零售总额 。
Exceltek Electronics (HK) Ltd Confidential
年份
1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962
Exceltek Electronics (HK) Ltd Confidential
差分法： 利用差分法把数据修匀，使非平稳序列达到平 稳序列。 差分法可分为普通差分法和广义差分法两类。 一阶、二阶、k阶差分 广义差分法就是先计算时间序列的广义差分( 时间序列的倒数或对数的差分,以及相邻项的比率 或差分的比率等),然后,根据算得的时间序列差分 的特点,选择适宜的数学模型。
t0
tn
t2n
于是得A、B、K的估计式为
1
B
S3 S2
S2 S1
n
A
B
1S
2
S1
n
2
B 1
K
1 n
S1
A
B
n
1
B1
1 n
S1
S2 S1
n
B 1
Exceltek Electronics (HK) Ltd Confidential
趋势外推法的手段
趋势外推法的手段趋势外推法是一种预测未来发展方向和趋势的方法，其基本原理是根据过去的数据和趋势，通过一定的数学模型和推理方法，对未来的可能发展进行预测和判断。
下面将介绍趋势外推法的几种常见手段。
1. 线性外推法：线性外推法是一种基于线性趋势的外推方法。
根据一组数据点的线性趋势，计算出其斜率和截距，从而得出线性方程，并利用该方程预测未来的发展趋势。
线性外推法常用于简单的线性发展趋势，适用于数据变化比较稳定的情况。
例如，我们可以通过过去几年的销售数据，计算出销售额与时间之间的线性关系，然后根据线性方程的参数，预测未来销售额的发展趋势。
2. 指数平滑外推法：指数平滑外推法是一种基于指数趋势的外推方法。
它根据过去数据的指数增长或指数衰减趋势，对未来数据进行预测。
指数平滑外推法适用于有明显趋势变化的数据，并且能够较好地适应数据的变化。
例如，在预测某产品的未来销售量时，可以利用指数平滑外推法，根据过去销售量的变化趋势，对未来销售量进行预测。
3. 趋势函数外推法：趋势函数外推法是一种基于数学函数的外推方法。
它通过拟合历史数据的变化趋势，找出最适合数据变化的函数，并利用该函数预测未来的趋势。
常用的趋势函数包括多项式函数、指数函数、对数函数等。
例如，我们可以通过拟合历史数据的变化趋势，找到一个最适合该数据的多项式函数，然后利用该函数预测未来的数据发展趋势。
4. 时间序列分析外推法：时间序列分析外推法是一种基于时间序列数据的外推方法。
它通过对时间序列数据的周期性、波动性等特征进行分析，找出其规律性，并利用规律性预测未来的趋势。
时间序列分析外推法常用的方法包括自回归（AR）、滑动平均（MA）、自回归滑动平均（ARMA）等。
例如，在对某商品的销售数据进行预测时，可以使用时间序列分析外推法，通过对历史销售数据的波动性和周期性进行分析，预测未来销售的发展趋势。
综上所述，趋势外推法是一种常用的预测未来发展趋势的方法，其手段包括线性外推法、指数平滑外推法、趋势函数外推法和时间序列分析外推法等。