一、 时间序列预测概述 1.时间序列 时间序列就是一个变量在一定时间段内不同时间点上观测值的集合 。这些观测值是按时间顺序排列的，时间点之间的间隔是相等的。可以是年、季度、月、周、日或其它时间段。 常见的时间序列有：按年、季度、月、周、日统计的商品销量、销售额或库存量，按年统计的一个省市或国家的国民生产总值、人口出生率等。 时间序列预测概述 2.时间序列预测方法 定性分析方法 定量分析方法 外推法：找出时间序列观测值中的变化规律与趋势，然后通过对这些规律或趋势的外推来确定未来的预测值。包括： 移动平均和指数平滑法 趋势预测法 季节指数法 因果法：寻找时间序列因变量观测值与自变量观测值之间的函数依赖关系（因果关系/回归分析），然后利用这种函数关系和自变量的预计值来确定因变量的预测产品名称（全部）求和项:销售金额年订购日期汇总1996年7月27861.894968月25485.274999月26381.3999910月37515.7249111月45600.0449412月45239.629971997年1月61258.069932月38483.634943月38547.219974月53032.952435月53781.289936月36362.802457月51020.857458月47287.669959月55629.24246 值。 3.时间序列成分 趋势成分：显示一个时间序列在较长时期的变化趋势 季节成分：反映时间序列在一年中有规律的变化 循环成分：反映时间序列在超过一年的时间内有规律的变化 不规则成分：不能归因于上述三种成分的时间序列的变化 二、时间序列的预测步骤 第一步，确定时间序列的类型 即分析时间序列的组成成分（趋势成分/季节成分/循环成分）。 第二步，选择合适的方法建立预测模型 如果时间序列没有趋势和季节成分，可选择移动平均或指数平滑法 如果时间序列含有趋势成分，可选择趋势预测法 如果时间序列含有季节成分，可选择季节指数法 第三步，评价模型准确性，确定最优模型参数 第四步，按要求进行预测 三、移动平均模型和指数平滑模型 适用于围绕一个稳定水平上下波动的时间序列。 1.移动平均模型 利用平均使各个时间点上的观测值中的随机因素互相抵消掉，以获得关于稳定水平的预测 将包括当前时刻在内的N个时间点上的观测值的平均值作为对于下一时刻的预测值（N应选择得使 MSE极小化） 实例：移动平均模型 【例 1】某汽油批发商在过去 12周内汽油的销售数量如表所示： 4050607080901001101201301 2 3 4 5 6 7 8 9 101112月销量无趋势 60657075808590951001051 3 5 7 9 1113...
