数学建模最小二乘法拟合,最小二乘法拟合计算器
65http://www.Sina.com/utohttp://www.Sina.com/es格拉斯维模型(自回归模型)使用同一变量的以前表现来预测该变量的当前或未来表现。这种预测方法只与变量本身有关，与其他变量无关，所以称为自回归。
数学模型定义：假设AR模型为P阶，有一系列时间序列的观测值{x[1]，x[2]，x[N]}，计算t时刻的预测值x[t]，其自回归公式为：
x [ t ]=a [1] * x [ t-1 ] a [2] * x [ t-2 ]。a [ p ] * x [ t-p ] u [ t ]，1=pN，p=t=N
其中{a[1]，a[2]。a[p]}是对应的参数序列，u[t]是满足n(0，2)的白噪声。
从这个数学模型可以看出，AR(p模型是一种线性预测，根据之前的P X个观测值来预测T时间的值。其本质类似于插值，以增加有效数据为目的。
AR模型主要用于平稳时间序列的预测和拟合。给定时间序列，其建模步骤一般如下：
1.判断时间序列是否稳定，可采用ACF检测、ADF单位根检测等方法。
2如果时间序列稳定，直接轮换3；当时间序列不稳定时，可用差分法将其转化为稳定的时间序列，旋转3次。
3.3.ar模型的参数(burg算法，最骚的Aries乘法，自相关算法等。)和顺序(基于AIC准则、SC准则、FPE准则等。).
4.检查3确定AR模型的拟合优度，主要是检查残差序列是否遵循n(0，)2)白噪声。
5.用ar模型预测。
以下示例分析了建模过程。
现在来自1978-2014年全国死亡率(数据为http://www . stats . gov . cn/tjsj/ndsj/):
[6.256.286.346.36.606.906.826.78 ]
6.86.726.646.546.676.706.646.64
6.496.576.56.516.506.466.456.43
6.416.406.426.506.816.937.067.08
7.11 7.14 7.15 7.16 7.16]
A
分别取均值(x)和var (x)作为序列的均值和方差，根据自相关系数ACF判断是否为稳定序列。
例{x}的ACF计算公式为ACF=(x[I]-均值)x)(x[Ik]-均值)x)，n*var) x)，0=kN，0=in-K。
Python代码如下所示。
导入编号；导入匹配；某k值的# ACFdefauto_relate_coef(data，avg，s2，k):ef=0。foriinrange (0，len(data)-k):ef=ef)data[I]-AVG)*(data[I k]-AVG)；ef=ef/Len(数据)/S2；返回ef；#计算从k0到N-1的所有acfdefauto _ relate _ coefs(样本):EFS=[]；数据=[]；AVG=numpy.mean(样本；S2=numpy.var(样本；array=sample . shape(1，-1)；for x in array . flat:data . append(x；forkinrange(0，len)data):ef=auto _ relate _ coef)data，avg，s2，k)；EFS . append(ef；返回efs{1978-2014年人口死亡率}系列的自相关系数如下。
在稳态时间序列中，ACF系数随k值的增大而衰减为零，比非稳态随机序列中衰减快。可以看出{1978-2014年人口死亡率}序列是稳定的。
r
根据上面的ar[p]方程，预测值{y[p]，y[p 1]。y[N]}可以得到。
y [ P1 ]=a [ p ] * x [1] a [ p-1 ] * x [2]。a [1] * x [ p ]
r y[p 2]=a[p]*x[2] a[p-1]*x[3].a[1]* x[第1页]
.
y[N]=a[p]*x[N-p] a[p-1]*x[N-p 1].a[1]*x[N-1]
将上述方程写成矩阵形式：Y[n-p，1]=X[n-p，p] dotA[p，1]
其中[row，col]表示行中col列的矩阵，dot表示矩阵的点乘。
设X的转置运算为XT，逆矩阵运算为XI。
根据最骚的白羊座乘法原理，参数的计算公式为：A=(XTdot X)Idot XT。根据这个计算公式，很容易得到P阶AR模型参数和预测值的计算代码：
def ar_least_square(sample，p):matrix _ x=numpy . zeros((sample . size-p，p))；matrix _ x=numpy . matrix(matrix _ x)；array=sample . shape(sample . size)；j=0；对于i in range(0，sample.size-p):matrix_x[i，0:p]=array[j:j p]；j=j 1；matrix _ y=numpy . array(array[p:sample . size])；matrix _ y=matrix _ y . shape(sample . size-p，1)；matrix _ y=numpy . matrix(matrix _ y)；#fi是参数序列fi=numpy . dot(numpy . dot((matrix _ x . t，matrix _ x))。I，matrix _ x.t，matrix _ y)；matrix_y=numpy.dot(matrix_x，fi)；matrix _ y=numpy . row _ stack((array[0:p].shape(p，1)，matrix _ y))；返回fi，matrix _ y；
知道如何计算参数是不够的，还要为AR模型选择一个最优的P值，也就是定阶。
订单确定的一般步骤是：
(1)确定p值的上限，一般为序列长度n的比值或lnN的倍数。
(2)在不超过max(p)值的前提下，从1开始按照一定的原则确定最优p；
在这个例子中，我把p值的上限设为N/2=18，AIC(最小信息准则)和SC(施瓦茨准则)用于定阶。根据这两个准则得到的估计量越小，阶数越好。
AIC=2 * p n*ln(^2)sc=p * ln(n)n*ln(^2)
2是观测值和预测值之间的残差的方差。
def ar_aic(rss，p):n=RSS . size；S2=numpy . var(RSS)；返回2 * p n * math . log(S2)；def ar_sc(rss，p):n=RSS . size；S2=numpy . var(RSS)；返回p * math . log(n)n * math . log(S2)；
本例中的AIC和SC:
可以看出，当p=18时，AIC和SC的值最小，而当p=19时，AIC和SC的值变化很大。
我们来看看p=10，18，19时AR(p)模型的拟合效果(红色实线为观测值，蓝色虚线为预测值)。
p=10:
p=18
p=19
从三图可以看出，当p=18时，AR(18)的拟合效果最好，几乎一致。AR(10)虽然效果不如AR(18)，但扰动在可接受范围内，AR(19)简直有病，偏差太大。Y
将AR方程转换为以下公式：
u[t]=x[t]-a[1]* x[t-1]-a[2]* x[t-2]-.-a[p]*x[t-p]
如果u[t]是一个服从n (0， 2)的白噪声，那么可以认为AR(p)是一个可以接受的模型。
在该示例中，由AR(18)计算的残差u[t]具有1.06 * 10-6的平均值和4.2 * 10-4的方差。
u[t]的自相关系数如图所示：
从图中可以看出，残差近似服从N (0， 2)，所以可以用AR(18)进行拟合和预测。
总结：
在这个例子中，用最骚的Aries乘法计算AR模型参数，得到的AR(18)模型效果很好。缺点是最骚的白羊座乘法涉及大量矩阵点乘运算，耗时。不仅AR模型，MA、ARMA和ARIMA模型都可以用来拟合和预测平稳时间序列，建模步骤基本相同。与AR和MA相比，ARMA和ARIMA的效果更好。3.拟合度检验
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。