%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据(时间序列的单列数据)
data = xlsread('数据.xlsx','B2:B200');
%% 数据集分析
num_size = 0.7; % 训练集占数据集比例
num_samples = length(data); % 样本个数
num_train_s = round(num_size * num_samples); % 训练集样本个数
%% 参数设置
result_org = data(1 : num_train_s); % 划分的用于平稳性分析数据
p_train = result_org; % 和用于选择阶数
M = length(result_org); % 训练集样本个数
N = num_samples - M; % 测试集样本个数
%% 平稳性检验
num_diff = 0;
while (1)
adf = adftest(result_org); % ADF平稳性分析
kpss = kpsstest(result_org); % KPSS平稳性分析
% 若差分后数据满足平稳性
if double(adf) == 1 && double(kpss) == 0
break
else
result_org = diff(result_org); % 差分计算
num_diff = num_diff + 1; % 差分计算次数
end
end
%% (用于阶数选择)
max_ar = 3;
max_ma = 3;
disp(['搜索:'])
disp(['https://mbd.pub/o/DDR1'])
%% 打印出评价指标
%% disp(['-----------------------误差计算--------------------------'])
%% disp(['评价结果如下所示:'])
%% disp(['平均绝对误差MAE为:',num2str(MAE2)])
%% disp(['均方误差MSE为: ',num2str(mse2)])
%% disp(['均方根误差RMSEP为: ',num2str(error2)])
%% disp(['决定系数R^2为: ',num2str(R2)])
%% disp(['剩余预测残差RPD为: ',num2str(RPD2)])
%% disp(['平均绝对百分比误差MAPE为: ',num2str(MAPE2)])
%% grid
%% 保存预测数据
T_sim2 = [T_sim2, t_sim];
end
%% 数据反归一化
T_test = data(M + 1: end);
%% 均方根误差
error = sqrt(sum((T_sim2' - T_test).^2) ./ N);
%% 绘图
figure
plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', 'ARIMA预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error)]};
title(string)
xlim([1, N])
grid
%% 相关指标计算
% R2
R2 = 1 - norm(T_test - T_sim2')^2 / norm(T_test - mean(T_test))^2;
disp(['测试集数据的R2为:', num2str(R2)])
% MAE
mae2 = sum(abs(T_sim2' - T_test)) ./ N ;
disp(['测试集数据的MAE为:', num2str(mae2)])
% MBE
mbe2 = sum(T_sim2' - T_test) ./ N ;
disp(['测试集数据的MBE为:', num2str(mbe2)])
%% 原始数据用于平稳性分析
result_org = data;
M = length(data); % 得到时间序列长度
%% 平稳性检验
num_diff = 0;
while (1)
adf = adftest(result_org); % ADF平稳性分析
kpss = kpsstest(result_org); % KPSS平稳性分析
% 若差分后数据满足平稳性
if double(adf) == 1 && double(kpss) == 0
break
else
result_org = diff(result_org); % 差分计算
num_diff = num_diff + 1; % 差分计算次数
end
end
%% 通过AIC,BIC等准则暴力选定阶数(用于阶数选择)
max_ar = 3;
max_ma = 3;
[AR_Order, MA_Order] = ARMA_Order_Select(data, max_ar, max_ma, 1);
%% 建立模型
model = arima(AR_Order, num_diff, MA_Order);
%% 仿真预测
esmodel = estimate(model, data);
t_sim = forecast(esmodel, 1, 'Y0', data);
%% 得到残差
res_str = infer(esmodel, data);
stdr = res_str / sqrt(esmodel.Variance);
%% 绘制残差图
figure
subplot(2, 3, 1)
plot(stdr)
xlim([0, M])
title('残差')
grid on
%% 绘制差分后时序图
subplot(2, 3, 2)
plot(result_org)
xlim([0, M])
title('差分后时序图')
grid on
%% 绘制残差自相关函数
subplot(2, 3, 3)
autocorr(stdr)
title('残差自相关函数')
grid on
%% 绘制差分后时序图偏自相关函数
subplot(2, 3, 4)
parcorr(stdr)
title('残差偏自相关函数')
grid on
%% 绘制差分后时序图自相关函数
subplot(2, 3, 5)
autocorr(result_org)
title('差分后时序图自相关函数')
grid on
%% 绘制差分后时序图偏自相关函数
subplot(2, 3, 6)
parcorr(result_org)
title('差分后时序图偏自相关函数')
grid on
没有合适的资源?快使用搜索试试~ 我知道了~
自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间
共3个文件
p:1个
xlsx:1个
m:1个
需积分: 0 2 下载量 17 浏览量
2023-10-08
22:51:26
上传
评论 1
收藏 25KB ZIP 举报
温馨提示
自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间,自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间,自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间序列预测,自回归差分移动平均模型ARIMA时间,
资源推荐
资源详情
资源评论
收起资源包目录
4 ARIMA模型.zip (3个子文件)
main.m 4KB
ARMA_Order_Select.p 341B
数据.xlsx 26KB
共 3 条
- 1
资源评论
智能算法及其模型预测
- 粉丝: 1751
- 资源: 788
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 第12章spring-mvc自定义类型转换器
- 基于PHP图书管理系统实验报告.docx
- Python爬取淘宝热卖商品并可视化分析
- 5152单片机proteus仿真和源码将按键次数写入AT24C02再读出并用1602LCD显示
- SE-SSD复现过程(Det3D的安装教程)
- 基于Python的在线学习与推荐系统设计与实现(论文+源码)-kaic
- 串口通过 YMODEM 协议进行文件传输
- 蓝桥杯2024年第十五届省赛真题-前缀总分
- com.qihoo.appstore_300101305-1.apk
- tensorflow-gpu-2.7.1-cp37-cp37m-manylinux2010-x86-64.whl
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功