matlab 差分 平稳时间序列,利用时间序列模型预测贵阳市烟草生长期内的降水量...
近年来,全球气候变暖成为世界关注的焦点,气候变化引发的极端干旱和洪涝水文事件的严重性以及旱涝急转复杂性与艰巨性已被越来越多的国家及专家学者所关注。随着气候变暖,贵阳市旱涝急转灾害频次与强度受气候变化影响而加剧。烟叶为贵阳市主要经济作物之一,烟叶的品质和产量的稳定性由于受到气候的影响而易产生较大波动,这就必然会造成贵阳市经济作物的损失。
国内外的学者对旱涝灾害开展过一系列研究,谷红梅、袁义杰[1]等研究了贵州省兴仁县烟草生长期内旱涝急转趋势变化特征;余祝媛、贺中华[2]等对贵州省近55年降水量的空间分布特征和时空变化趋势进行了分析;陈灿、胡铁松[3]等关于水稻灌区旱涝急转定义进行了探讨。
本课题运用Matlab、Eviews软件和时间序列预测模型、降水距平等方法对贵阳市降水量进一步研究,对贵阳市降水量进行预测,以便提前采取应对措施,该模型的建立对贵阳市的经济作物产量和质量保证有着重要意义。
1、研究区概况
贵阳市位于贵州省中部,西靠安顺,北邻毕节,东南与黔南布依族、苗族自治州的四县接壤,处在东经106°07′至106°17′,北纬26°11′至26°55′之间。贵阳市总地势西南高、东北低,平均海拔在1100米左右,属于以山地、丘陵为主的丘原盆地地区,其气候为亚热带湿润温和型气候,由于地处费德尔环流圈,常年受西风带控制,年平均气温为15.3℃,年平均总降水量为1129.5mm。
2、资料与方法
2.1数据来源
本文数据资料来源于各省、市、自治区气候资料处理部门逐月上报的《地面气象记录月报表》的信息化资料,选取1958-2012年贵阳市烟草生长期内(5-8月)的降水量数据进行研究。
2.2时间序列模型
时间序列模型主要通过对长期数据系列进行趋势组合和随机数据系列进行组合叠加的方法进行数据系列动态处理,其中ARMA(p,q)模型是一种精度较高的小序列尺度的有效预测模型。具体计算步骤如下:
2.2.1序列平稳化
根据降水量时间序列,利用ADF检验判断序列是否平稳。若序列平稳则按步骤2操作,否则利用若干次差分将其转化成平稳序列。
2.2.2模型识别
通过自相关和偏自相关图估计出不同阶数p、q的可能取值。
(1)自相关函数
构成时间序列的每个序列值Xt,Xt-1,Xt-2,…,Xt-k之间的简单相关关系称为自相关。自相关程度由自相关系数γk度量,表示时间序列中相隔k期的观测值之间的相关程度,
其中自相关系数γk的取值范围是[-1,1],|γk|越接近1,自相关程度越高。
(2)偏自相关函数
偏自相关系数是指对于时间序列Xt,在Xt-1,Xt-2,…,Xt-k+1给定的条件下,Xt与Xt-k之间的条件相关关系,其相关程度用偏自相关函数φkk度量,-1≤φkk≤1,
其中γk是滞后k期的自相关系数。
2.2.3阶数p、d、q的确定
自回归阶数p的选择:数理统计的理论证明,完全随机序列相关系数的抽样分布近似于以0为均值、σ=1/√n为标准差的正态分布,区间(-1.96σ,+1.96σ)称为随机区间。具有统计有效性的偏自相关系数数目或落在随机区间外的偏自相关系数个数即为p。
差分阶数d的选择:对样本数据X1,X2,…,Xn逐次做差分,差分到平稳为止。若k次差分后平稳,取d=k。
移动平均阶数q的选择:显著不为0的自相关系数数目为q;自相关函数从k=q0开始迅速衰减,则q=q0。
(2)MA(q)模型的参数估计
可逆的MA(q)序列可以表示成AR(∞)序列。即
可忽略尾部,用适当高阶AR(p)序列来逼近MA(q)序列。
3、结果与分析
图1贵阳市烟草生长期内降水量变化趋势图
3.1对数据进行差分及检验
图2降水量一阶差分变化趋势图
如图1,贵阳市1958-2012年平均降水量为681.45mm,具有丰、枯交替演变的特点。其中2000年降水量最大,为957.5mm,2011年降水量最小,为331.4mm,年际间波动较大且降水量围绕均值上下波动,由趋势线知1958-2012年贵阳市降水量有轻微下降趋势。根据ADF检验得该时间序列检验值为H0=0,该时间序列为非平稳时间序列。
对该序列进行一阶差分,得到如图2所示差分序列图。由图可知一阶差分后时间序列值趋于平稳。经过ADF检验得到检验值H1=1,则经过一阶差分后的时间序列为平稳时间序列。
4、结论
(1)从整体上看,贵阳市1958-2012年5-8月平均降水量为681.45mm,具有丰、枯交替演变的特点。其降水量围绕均值上下波动,年际间波动较大且有轻微下降趋势。
(2)ARMA(2,1)模型可用于研究原序列的一阶差分序列。由残差序列检验得,其Q统计量的P值显著大于0.05,表明该模型的残差白噪声检验通过,该模型为有效模型。即ARIMA(2,1,1)模型为原降水量序列的有效拟合模型。
(3)根据对2019-2022年降水量预测,其降水距平百分率均在正常降水量范围内,但均为负值,因此2019-2022年贵阳市5-8月降水量有下降趋势,需注意防范烟草生长期内干旱问题的发生。
(4)贵阳市地形地貌的复杂性、气候的多样性导致贵阳市降水量不确定性加大,因此烟农应时刻关注气象变化,及时对未来降水量进行预测,对可能发生的干旱或洪涝事件及时做出响应,以降低经济损失。
参考文献:
[1]谷红梅,袁义杰,张泽中,等.贵州兴仁县烟草生长期内旱涝急转特征分析[J].人民珠江,2019,40(3):46-51.
[2]余祝媛,贺中华,梁虹,等.贵州省近55年降水量时空变化分析[J].江苏农业科学,2019,47(6):208-215.
[3]陈灿,胡铁松,高芸,等.关于水稻灌区旱涝急转定义的探讨[J].中国农村水利水电,2018(7):56-61.
吴莉娟,彭高辉,徐晨辉.基于时间序列的贵阳市烟草生长期内降水量预测[J].科技创新与应用,2020(21):39-40.
基金:国家级大学生创新创业训练计划项目(编号:201910078013);贵州省水利厅科技项目(编号:KT201705).
matlab 差分 平稳时间序列,利用时间序列模型预测贵阳市烟草生长期内的降水量...相关推荐
- bagging和时间序列预测_时间序列的LSTM模型预测——基于Keras
一.问题背景 现实生活中,在一系列时间点上观测数据是司空见惯的活动,在农业.商业.气象军事和医疗等研究领域都包含大量的时间序列数据.时间序列的预测指的是基于序列的历史数据,以及可能对结果产生影 ...
- 深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测大气压( air pressure)+代码实战
深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测大气压( air pressure)+代码实战 长短期记忆(Long short-term memory, LSTM)是一种特殊的RNN,主 ...
- 深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测空气质量(PM2.5)+代码实战
深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测空气质量(PM2.5)+代码实战 # 导入需要的包和函数: from __future__ import print_function im ...
- 回归综合案例——利用回归模型预测鲍鱼年龄
回归综合案例--利用回归模型预测鲍鱼年龄 1 数据集探索性分析 首先将鲍鱼数据集abalone_dataset.csv读取为pandas的DataFrame格式. import pandas as p ...
- matlab模拟gpd,如何用ARMA模型预测中国GDP
y=xlsread('D:\Desktop\数据2.xls','a1:a30') Data=y; %共30个数据 SourceData=Data(1:25,1); %前25个 ...
- 利用“bert模型”预测英语“完形填空”答案
被课程大作业逼着学习了解了一下bert,转念一想,这不是正好用来解答英语完形填空作业吗,因此有了以下代码: 首先我们导入会用到的库啊,pytorch_pretrained_bert这个库我是第一次用啊 ...
- 基于spss的多变量时间序列的ARIMA模型
概述 数学建模的过程中必然会出现许多难以预料的问题,哪怕仅仅是一个温度预测模型也有莫大学问,譬如预测二十四小时内的温度变化,这多变量时间序列短期预测确实让我伤透了脑筋. 查阅了不少资料后,小弟我也勉勉 ...
- 使用时间序列分解模型预测商品销量(手把手教你如何利用阿里云大数据开发套件进行商品销量的预测)
使用时间序列分解模型预测商品销量 1.1实验目的 1.2实验概述 1.3 实验目标 1.4 实验工具 1.5 实验准备 实验资源 ============== 这是一条分割线 ============ ...
- 时间序列与R语言应用(part3)--趋势平稳与差分平稳
学习笔记 参考书籍:<计量经济学> PS:本系列停更1天(0408恢复更新),想先更新隔壁的Xpath和离群点检测 趋势平稳与差分平稳 趋势平稳与差分平稳随机过程 虚假回归 一些非平稳的经 ...
- R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
原文链接:http://tecdat.cn/?p=23934 在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型(点击文末"阅读原文"获取完整代码数据). 相 ...
最新文章
- php无限极下拉框,php递归实现无限分类生成下拉列表的函数
- 我潜入清华神秘实验室,用脑机接口写了两句诗
- PriorBox 改进
- SHADER 用 step替代 if-else
- SAP CRM Fiori Simulation Pipeline 设计介绍
- jar包在Hadoop集群上测试(MapReduce)
- i++与++i的区别
- 安卓软件错误log_关于android程序的log错误信息的问题,请明白人看下吧,我是初学者,新建的android项目,一个代码都没改过...
- 子查询返回多个字段_ElasticSearch搜索之QueryFiltering、多/单字符串的多字段查询...
- 做人的36条常情世故
- 开源PaaS Rainbond发布v3.7.2版本,帮助企业快速构建应用市场
- redis(版本redis-5.0.2)的安装步骤
- 每天30分钟搞Software Rendering--(0)搜集资料,阅读,了解
- 修改系统文件内容的经典错误总结
- ARM体系结构与编程笔记
- iOS方形图片裁剪成圆形
- 回归方法(一):用线性回归探究生育率
- Android入门小项目--微信登录界面源码(倒计时、fragement切换、activity信息传递)
- 移动App统计指标汇总
- Android 人民币符号少一横问题解决方案