时间序列预测方法有哪些分类，分别适合使用的情况是？

1. 时间序列预测方法有哪些分类，分别适合使用的情况是？

2. 时间序列预测方法有哪些分类，分别适合使用的情况是？

时间序列预测方法根据对资料分析方法的不同，可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。
1、简单序时平均数法只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。
2、加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。
3、简单移动平均法适用于近期期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。
4、加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
5、指数平滑法即根用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。
6、季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。
7、市场寿命周期预测法，适用于对耐用消费品的预测。这种方法简单、直观、易于掌握。

扩展资料：
时间序列预测法的特征
1、时间序列分析法是根据过去的变化趋势预测未来的发展，前提是假定事物的过去延续到未来。运用过去的历史数据,通过统计分析，进一步推测未来的发展趋势。不会发生突然的跳跃变化,是以相对小的步伐前进；过去和当前的现象，可能表明现在和将来活动的发展变化趋向。
2.时间序列数据变动存在着规律性与不规律性
时间序列中的每个观察值大小，是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看，这些因素造成的时间序列数据的变动分为四种类型：趋势性、周期性、随机性、综合性。
参考资料来源：百度百科-时间序列预测法
参考资料来源：百度百科-指数平滑法
参考资料来源：百度百科-简单移动平均法

3. 时间序列分析方法一般属于

时间序列分析方法一般属于定量预测方法。
时间序列分析是定量预测方法之一。它包括一般统计分析，统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容。时间序列分析侧重研究数据序列的互相依赖关系。是对离散指标的随机过程的统计分析，所以又可看作是随机过程统计的一个组成部分。

扩展资料：
时间序列分析方法的基本思想是根据系统的有限长度的运行记录（观察数据），建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预报。
时间序列分析方法的基本原理是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势；考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。

4. 时间序列预测法的优点和缺点 急用，在线等

时间序列分析预测法有两个特点：

  ①时间序列分析预测法是根据市场过去的变化趋势预测未来的发展，它的前提是假定事物的过去会同样延续到未来。事物的现实是历史发展的结果，而事物的未来又是现实的延伸，事物的过去和未来是有联系的。市场预测的时间序列分析法，正是根据客观事物发展的这种连续规律性，运用过去的历史数据，通过统计分析，进一步推测市场未来的发展趋势。市场预测中，事物的过去会同样延续到未来，其意思是说，市场未来不会发生突然跳跃式变化，而是渐进变化的。

  时间序列分析预测法的哲学依据，是唯物辩证法中的基本观点，即认为一切事物都是发展变化的，事物的发展变化在时间上具有连续性，市场现象也是这样。市场现象过去和现在的发展变化规律和发展水平，会影响到市场现象未来的发展变化规律和规模水平；市场现象未来的变化规律和水平，是市场现象过去和现在变化规律和发展水平的结果。

  需要指出，由于事物的发展不仅有连续性的特点，而且又是复杂多样的。因此，在应用时间序列分析法进行市场预测时应注意市场现象未来发展变化规律和发展水平，不一定与其历史和现在的发展变化规律完全一致。随着市场现象的发展，它还会出现一些新的特点。因此，在时间序列分析预测中，决不能机械地按市场现象过去和现在的规律向外延伸。必须要研究分析市场现象变化的新特点，新表现，并且将这些新特点和新表现充分考虑在预测值内。这样才能对市场现象做出既延续其历史变化规律，又符合其现实表现的可靠的预测结果。

  ②时间序列分析预测法突出了时间因素在预测中的作用，暂不考虑外界具体因素的影响。时间序列在时间序列分析预测法处于核心位置，没有时间序列，就没有这一方法的存在。虽然，预测对象的发展变化是受很多因素影响的。但是，运用时间序列分析进行量的预测，实际上将所有的影响因素归结到时间这一因素上，只承认所有影响因素的综合作用，并在未来对预测对象仍然起作用，并未去分析探讨预测对象和影响因素之间的因果关系。因此，为了求得能反映市场未来发展变化的精确预测值，在运用时间序列分析法进行预测时，必须将量的分析方法和质的分析方法结合起来，从质的方面充分研究各种因素与市场的关系，在充分分析研究影响市场变化的各种因素的基础上确定预测值。

  需要指出的是，时间序列预测法因突出时间序列暂不考虑外界因素影响，因而存在着预测误差的缺陷，当遇到外界发生较大变化，往往会有较大偏差，时间序列预测法对于中短期预测的效果要比长期预测的效果好。因为客观事物，尤其是经济现象，在一个较长时间内发生外界因素变化的可能性加大，它们对市场经济现象必定要产生重大影响。如果出现这种情况，进行预测时，只考虑时间因素不考虑外界因素对预测对象的影响，其预测结果就会与实际状况严重不符。

5. 时间序列预测法的运用例子

某一城市从1984年到1994年中，每年参加体育锻炼的人口数，排列起来，共有11个数据构成一个时间序列。我们希望用某个数学模型，根据这11个历史数据，来预测1995年或以后若干年中每年的体育锻炼人数是多少，以便于该城市领导人制订一个有关体育健身的发展战略或整个工作计划。不同的时间序列有不同的特征，例如一个人在一年中每天消耗的粮食基本上是相同的，把这365个数字排列起来。发现它所构成的时间序列总保持在一定水平，上下相差不太大，我们称它是平稳时间序列。它的取值和具体是哪个时期无关，只和时期的长短有关。一般来说．只有属于平稳过程的时间序列．才是可以被预测的。 表11980～1999年扬州市农业总产值　单位：万元年份 农业总产值 年份 农业总产值 年份 农业总产值1980 220.553 1987 345.560 1994 483.9601981 236.285 1988 357.909 1995 549.8071982 267.120 1989 357.788 1996 600.9861983 278.787 1990 357.671 1997 620.2811984 312.089 1991 305.855 1998 667.5421985 331.172 1992 362.848 1999 711.7411986 338.848 1993 414.892表1是扬州市1980～1999年农业总产值的有关数据资料，资料摘自《扬州统计年鉴2000》，表中产值按1990年不变价格计算。根据表1时间序列的资料，画出时间序列折线图1。通过观察时间序列图，可以看出此时间序列具有明显的趋势变动。在1980～1999年20年间，扬州市农业总产值总体呈明显的上升趋势。农业总产值的变化分为两个时间段：1980～1990年时间序列呈曲线变化趋势，1991～1999年时间序列呈线性变化趋势。根据直观的判断，对时间序列采取分段处理的方法，即对1980～1990年的时间序列拟合二次曲线趋势模型，对1991～1999年的时间序列拟合线性趋势模型。图1农业总产值折线图 (1)二次曲线趋势模型：Yt=a+bt+ct^上述方程中的三个未知参数a、b、c根据最小二乘法求得。即对时间序列拟合一条趋势曲线，使之满足下列条件：各实际值Yt与趋势值〖AKY^〗t的离差平方和为最小，即∑(Yt-〖AKY^〗t)2=最小值，得到标准求解方程：∑Y=na+b∑t+c∑t^2∑tY=a∑t+b∑t^2+c∑t^3∑t^2Y=a∑t^2+b∑t^3+c∑t^4当取时间序列的中间时期数为原点时，有∑t=0，上式可简化为：∑Y=na+c∑t^2∑tY=b∑t^2∑t^2Y=a∑t^2+c∑t^4经过计算，得到对扬州市1980～1990年农业总产值时间序列拟合的二次曲线模型为：Y^t=316488.1+14584.3t－705.3t^2。(2)线性趋势模型：Y^t=a+bt上述方程中的两个未知参数a、b也是根据最小二乘法的原理求得。b=n∑tY-∑t∑Y/n∑t^2-(∑t)^2a=1/n(∑Y-b∑t)同样，为计算方便，取时间序列的中间时期数为原点，此时有∑t=0，上式可简化为：a=1/n∑Yb=∑tY/∑t^2经过计算，得到对扬州市1991～1999年农业总产值时间序列拟合的线性模型为：Y^t=524212+51090.5t

6. 时间序列预测法的分类

时间序列预测法可用于短期、中期和长期预测。根据对资料分析方法的不同，又可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。简单序时平均数法也称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种方法基于下列假设：“过去这样，今后也将这样”，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。简单移动平均法就是相继移动计算若干时期的算术平均数作为下期预测值。加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。上述几种方法虽然简便，能迅速求出预测值，但由于没有考虑整个社会经济发展的新动向和其他因素的影响，所以准确性较差。应根据新的情况，对预测结果作必要的修正。指数平滑法即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。此法实质是由内加权移动平均法演变而来的一种方法，优点是只要有上期实际数和上期预测值，就可计算下期的预测值，这样可以节省很多数据和处理数据的时间，减少数据的存储量，方法简便。是国外广泛使用的一种短期预测方法。季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。推算季节性指数可采用不同的方法，常用的方法有季(月)别平均法和移动平均法两种：a．季(月)别平均法。就是把各年度的数值分季(或月)加以平均，除以各年季(或月)的总平均数，得出各季(月)指数。这种方法可以用来分析生产、销售、原材料储备、预计资金周转需要量等方面的经济事物的季节性变动；b．移动平均法。即应用移动平均数计算比例求典型季节指数。市场寿命周期预测法 就是对产品市场寿命周期的分析研究。例如对处于成长期的产品预测其销售量，最常用的一种方法就是根据统计资料，按时间序列画成曲线图，再将曲线外延，即得到未来销售发展趋势。最简单的外延方法是直线外延法，适用于对耐用消费品的预测。这种方法简单、直观、易于掌握。

7. 时间序列预测法的步骤有哪些？

时间序列预测法的有以下几个步骤。
第一步，收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果进行分类：
①长期趋势；
②季节变动；
③循环变动；
④不规则变动。
第二步，分析时间序列。
时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。
第三步，求时间序列的长期趋势(T)、季节变动(S)和不规则变动(I)的值，并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数，使用合适的技术方法求出其值。
第四步，利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值S，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y。
加法模式：T+S+I=Y乘法模式：T乘以S乘以I=Y
如果不规则变动的预测值难以求得，就只求长期趋势和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线在按时间顺序的观察方面所起的作用本质上也只是一个平均数的作用，实际值将围绕着它上下波动。

8. 对时间序列的分析方法有哪几种

1、 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。 2、 宽平稳时间序列的定义：设时间序列 ，对于任意的 , 和 ，满足： 则称 宽平稳。 3、Box-Jenkins方法是一种理论较为完善的统计预测方法。他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方法。使ARMA模型的建立有了一套完整、正规、结构化的建模方法，并且具有统计上的完善性和牢固的理论基础。 4、ARMA模型三种基本形式：自回归模型（AR：Auto-regressive），移动平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自回归模型AR(p)：如果时间序列 满足 其中 是独立同分布的随机变量序列，且满足： ， 则称时间序列 服从p阶自回归模型。或者记为 。 平稳条件：滞后算子多项式 的根均在单位圆外，即 的根大于1。 （2） 移动平均模型MA(q)：如果时间序列 满足 则称时间序列 服从q阶移动平均模型。或者记为 。 平稳条件：任何条件下都平稳。 （3） ARMA(p,q)模型：如果时间序列 满足 则称时间序列 服从(p,q)阶自回归移动平均模型。或者记为 。 特殊情况：q=0,模型即为AR(p)，p=0, 模型即为MA(q)。 二、时间序列的自相关分析 1、自相关分析法是进行时间序列分析的有效方法，它简单易行、较为直观，根据绘制的自相关分析图和偏自相关分析图，我们可以初步地识别平稳序列的模型类型和模型阶数。利用自相关分析法可以测定时间序列的随机性和平稳性，以及时间序列的季节性。 2、自相关函数的定义：滞后期为k的自协方差函数为： ，则 的自相关函数为： ，其中 。当序列平稳时，自相关函数可写为： 。 3、 样本自相关函数为： ，其中 ，它可以说明不同时期的数据之间的相关程度，其取值范围在-1到1之间，值越接近于1，说明时间序列的自相关程度越高。 4、 样本的偏自相关函数： 其中， 。 5、 时间序列的随机性，是指时间序列各项之间没有相关关系的特征。使用自相关分析图判断时间序列的随机性，一般给出如下准则： ①若时间序列的自相关函数基本上都落入置信区间，则该时间序列具有随机性； ②若较多自相关函数落在置信区间之外，则认为该时间序列不具有随机性。 6、 判断时间序列是否平稳，是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是：①若时间序列的自相关函数 在k>3时都落入置信区间，且逐渐趋于零，则该时间序列具有平稳性；②若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性。 7、 ARMA模型的自相关分析 AR(p)模型的偏自相关函数 是以p步截尾的，自相关函数拖尾。MA(q)模型的自相关函数具有q步截尾性，偏自相关函数拖尾。这两个性质可以分别用来识别自回归模型和移动平均模型的阶数。ARMA(p,q)模型的自相关函数和偏相关函数都是拖尾的。 三、单位根检验和协整检验 1、单位根检验 ①利用迪基—福勒检验（ Dickey-Fuller Test）和菲利普斯—佩荣检验（Philips-Perron Test）,我们也可以测定时间序列的随机性，这是在计量经济学中非常重要的两种单位根检验方法，与前者不同的事，后一个检验方法主要应用于一阶自回归模型的残差不是白噪声，而且存在自相关的情况。 ②随机游动 如果在一个随机过程中， 的每一次变化均来自于一个均值为零的独立同分布，即随机过程 满足： ， ，其中 独立同分布，并且： ， 称这个随机过程是随机游动。它是一个非平稳过程。 ③单位根过程 设随机过程 满足： ， ，其中 ， 为一个平稳过程并且 ，，。 2、协整关系 如果两个或多个非平稳的时间序列，其某个现性组合后的序列呈平稳性，这样的时间序列间就被称为有协整关系存在。这是一个很重要的概念，我们利用Engle-Granger两步协整检验法和J 很高兴回答楼主的问题 如有错误请见谅