基于时间序列分析的无为县降水量预测模型的研究
无为县地处安徽省中南部,属亚热带季风气候区,旱涝频发,严重影响农业生产、社会经济发展等,因此利用时间序列分析法,建立降水量预测数学模型,服务于生活生产,尤其在防汛抗旱、农业生产等方面具有现实需求。
叶总正和钱总聊着这件事,便让王祥也加入聊天。据叶总了解到,老道上个礼拜就离开了古玩市场,和他的手下一起到外地销货去了。走之前,还和叶总吹牛说这次弄到了一批价值连城的上等货,少说也能卖出几百万的价钱。
1 时间序列分析原理
降水是随时间变化的,对其观测形成一组有序的数据,称为时间序列,从“时域”角度对降水进行分析,称为时间序列分析,其基本思想是认为降水在随时间变化过程中任一时刻的变化和前期降水变化有关,利用这种关系建立适当的模型来描述它们变化的规律性,然后利用所建立的模型做出降水未来时刻的预报值估计。平稳时间序列模型主要有3种。
(1)自回归模型AR(p)。
Xt=φ1Xt-1+φ2Xt-2+…+φpXt-p+at
(1)
其中,p为模型的自回归阶数;Xt为平稳、正态、零均值的时间序列;φ为不为零的模型系数,表示时间序列中要素前后时刻间相关性大小;at为白噪声序列。
进一步对自相关性和偏自相关性进行检验,结果如图2、图3所示,由图可知,无为县年降水量序列接近于白噪声序列,反映无为县年降水量随机性强。
Xt=at-θ1at-1-θ2at-2-…-θqat-q
(2)
其中,q为模型的移动平均阶数;Xt为平稳、正态、零均值的时间序列;θ为不为零的模型系数,表示时间序列中要素与前期时刻白噪声间相关性大小;at为白噪声序列。
(4)基于GIS的选线工作辅助系统,其可靠性与计算结果准确性及现有数据信息有直接关系,同时也会受到用户自身选择与判断的影响。只有正确的选择与判断,才能充分发挥工具应有的作用和效果。
(3)自回归移动平均模型ARMA(p,q)。
Xt=φ1Xt-1+φ2Xt-2+…+φpXt-p+at-θ1at-1-θ2at-2-…-θqat-q
(3)
自回归移动平均模型ARMA(p,q)可以看成是自回归模型AR(p)的发展,即用p阶自回归模型AR(p)描述Xt所余下无法拟合的部分,用q阶移动平均模型MA(q)来描述。
2 降水量时间序列模型的建立及预测
图1 无为县年降水量序列图
图2 无为县年降水量自相关系数图
图3 无为县年降水量偏自相关系数图
利用spss 23统计软件,输入无为县1957~2016年年降水量资料,其序列图如图1所示,显然是平稳序列。
道路工程档案建设是在道路工程现场形成的直接性一手材料,档案整理收集是要与施工过程同时进行的,要真实地反映出工程建设的全过程,包括在工程施工中发生的一些问题和隐患。
(2)移动平均模型MA(q)。
对序列进行1阶和2阶差分处理,其相关性仍然较弱难以建模。
近年来,智能交通领域更多涉及到深度学习的全面运用。在人工智能的操控下,智能化系统针对实时性的当前路况就能予以全方位的识别,然后借助摄像头来实现针对前方路况的预判。技术人员凭借人工智能手段还可提取微观性的路段通行信息,以此来预测当前所处路段是否表现为堵塞状态。通过运用宏观性的道路预测手段,针对即将行驶路段是否具备坑洼现象、路面塌陷以及路面施工等要素都能予以提前预知,从而保障了车辆得以顺利行驶。
为了增强序列的相关性,对降水量进行5年叠加,1957~1961年的降水量叠加作为新序列的第1个值,1958~1962年的降水量叠加作为新序列的第2个值,以此类推,得到5年叠加后的新序列,对自相关性和偏自相关性进行检验,结果如图4、图5所示,由图可知,新序列是平稳非白噪声序列。
由图4、图5可见,自相关系数在K=2之后基本都落在2倍标准差范围内,可判断其为自相关系数2阶截尾,偏自相关系数在K=1后基本上落入2倍标准差范围以内,可以判断其偏自相关系数1阶截尾,而自相关系数、偏自相关系数开始逐渐变化,且后边还有接近甚至稍大于2倍标准差的,故也可以判断其拖尾,因此,可采用MA(2)、AR(1)以及ARMA(1,2)分别进行拟合。
图4 无为县五年叠加降水量自相关系数图
图5 无为县5年叠加降水量偏自相关系数图
尝试建立MA(2)模型,从模型统计量表1可知,平稳的R2=0.493,杨-博克斯统计量为32.520,伴随概率小于0.05,反映拟合模型的残差存在相关性,不为纯随机序列,从自相关图和偏自相关图如图6所示也能看出这一点,因此,采用MA(2)建模效果较差。
表1 MA(2)模型统计量
模型预测变量数模型拟合度统计平稳 R2R2杨-博克斯 Q(18)统计DF显著性离群值数 5年叠加降水量-模型-110.4930.49332.520160.0090
综上可知,拟合的模型为:
表2 AR(1)模型统计量
模型预测变量数模型拟合度统计平稳 R2R2杨-博克斯 Q(18)统计DF显著性离群值数 5年叠加降水量-模型-110.4400.44051.228170.0000
图6 无为县5年叠加降水量MA(2)自相关系数与偏自相关系数图
图7 无为县五年叠加降水量AR(1)自相关系数与偏自相关系数图
由图9可见,拟合的最大相对误差约为11.3%,最近2年(2015、2016)的拟合值与实测值对比如表5所列,其相对误差分别为0.30%和-6.53%,说明模型精度较高,拟合效果良好。
表3 ARMA(1,2)模型参数
估算标准误差t显著性 5年叠加降水量-模型-15年叠加降水量不转换AR延迟 1-0.7240.108-6.7230.000MA延迟 1延迟 2-1.608-0.9630.1280.150-12.599-6.4240.0000.000 YEAR,not periodic不转换分子延迟 02.9990.04566.0150.000
表4 ARMA(1,2)模型统计量
模型预测变量数模型拟合度统计平稳R2R2杨-博克斯 Q(18)统计DF显著性离群值数 5年叠加降水量-模型-110.5630.56322.375150.0980
图8 无为县5年叠加降水量ARMA(1,2)自相关系数与偏自相关系数图
再尝试建立AR(1)模型,从模型统计量表2、自相关图和偏自相关图(图7)可得出与上述相似的结论,因此,采用AR(1)建模效果也较差。
Xt=-0.742Xt-1+at+1.608at-1+0.963at-2
(4)
利用上述模型对时间序列进行模拟,用拟合值与5年叠加的实测值进行对比,结果如图9所示。
对于这些女性,社会应当投入更多的精力在产前向她们普及正确的育儿知识,以便做父母后能够有正确的方法指导他们的育儿行为。
图9 无为县5年叠加降水量采用ARMA(1,2)模型拟合值与实测值对比图
最后,尝试建立ARMA(1,2)模型,模型参数如表3所列,经过t检验,自回归系数的伴随概率均小于0.05,显著非零,有统计学意义。从模型统计量表4可知,平稳的R2=0.563,杨-博克斯统计量为22.375,伴随概率大于0.05,再结合从自相关图和偏自相关图(图8)来看,反映拟合模型的残差项不存在相关性,残差序列为白噪声序列,另外,采用ARMA(1,2)拟合的模型不存在离群值,模型的拟合度较好。
表5 2015、2016年5年叠加降水量的拟合值与实测值比较
年份(5年叠加)拟合值/mm实测值/mm绝对误差/mm相对误差/(%) 20155763.545746.5017.040.30 20166047.486469.90-422.42-6.53
表6 5年叠加降水量预测
模型201720182019 5年叠加降水量-模型-1预测UCLLCL6393.807058.315729.296197.977081.425314.525950.826859.385042.26
利用模型对未来的值进行预测,2017、2018、2019年的预测值如表6所列。2017年至2019年的叠加降水量呈下降趋势。需要说明的是,由于分析的序列是5年降水的叠加值,所以拟合模型计算出的预测值不是某一年的降水量,而是5年累计的降水量。
3 结 论
由于无为县降水量随机性强,相关性弱,即使进行1阶和2阶差分处理,其相关性仍然较弱,因此采用五年叠加的方法增强序列的相关性,得到平稳的新序列。
根据自相关系数、偏自相关系数判断,新序列可能存在MA(2)、AR(1)以及ARMA(1,2)3种模型。其中MA(2)和AR(1)模型的伴随概率均小于0.05,从自相关图和偏自相关图,可以看出2种模型的残差序列为非白噪声序列,不采用。ARMA(1,2)模型的拟合度较好、符合要求,是选定的模型。
奖惩机制不完善是企业全面预算管理工作在开展过程中遇到的主要问题。因此,企业要加强对奖惩机制建立工作的重视,结合全面预算管理工作涉及的各个领域,综合员工的工作状态和工作积极性等因素,建立科学的奖惩机制,使员工加强对预算工作的重视。同时企业在经营过程中还可以将预算执行状况和员工的经济效益以及部门效益结合起来,利用奖惩结合的手段,合理开展各项预算管理工作,提高员工参与预算管理工作的积极性,推动企业全面预算管理工作合理开展。企业还要加大对于新人才的重视,及时引入高素质人才,推动其不断完善全面预算管理模式,调动员工的工作积极性,将全面预算管理工作的各项要求落实到实处,提高企业的经济效益。
第一种类型的钉子户发生在J社区。2013年1月,A市正式启动J社区的拆迁改造项目,计划在2014年6月前完成拆迁。本案例中的钉子户是两兄弟,他们做石油生意,在当地有钱有势。对于抵抗拆迁的原因,根据官方记录,“一方面,他们的房屋面积较大,装修豪华。两兄弟认为政府的补贴标准太低,始终以强硬的态度进行抵抗。另一方面,他们有一定的政治背景,在当地有强大的社会关系”, 这可能导致两兄弟敢于和基层政府(街道和区级)抗争。
ARMA(1,2)模型的预测表明,无为县5年叠加降水量自2017年至2019年处于下降通道。
[参 考 文 献]
[1] 孙明玺,吴俊卿,张志兴,等.实用预测方法与案例分析[M].北京:科学技术文献出版社,1993.
[2] 黄嘉佑.气象统计分析与预报方法(第4版)[M].北京:气象出版社,2016.
[3] 薛冬梅. ARIMA模型及其在时间序列分析中的应用[J].吉林化工学院学报,2010,(3):80-83.
在最佳反应条件下:双氧水总投加量为1.5%,反应时间为1.5h,pH为3,采取不同的投加方式进行实验,采用一次性投加、每隔10 min投加、每隔20 min投加,每隔30 min投加和每隔45 min投加的方式进行多次重复实验,实验结果如图4所示。由图4可知,一次性投加去除效果最差,采用每隔20 min投加时,COD去除效率最高,比一次性投加去除效果提高20%。
[4] 何延治.基于时间序列分析的吉林省粮食产量预测模型[J].江苏农业科学,2014,(10):478-479.
下一篇:风电场电力监控系统安全防护的探讨