一、趋势分解法

时序预测技术是通过处理预测目标本身的时序，研究其变化趋势。 一个时间序列往往是以下变化形式的叠加或结合。

1)长期趋势变动)指时间序列向一定方向持续上升或下降，或停留在一定水平的趋势，反映客观事物的主要变化趋势。

)2)季节变化)指季度或月度周期变化。

3)循环波动)通常是指周期在1年以上，非季节因素引起的波动波形相似的波动。

4)不规则波动)通常可分为突然波动和随机波动。

如图所示，黑色曲线表示时间序列的原始值，根据原始序列的时间趋势可以确定该时间序列的长期趋势变动。 许多行业有季节性变动的趋势。 例如运输行业、风力发电行业。 例如，水果和蔬菜的价格等。 循环趋势也呈周期趋势。 比如经济周期的趋势。 相比之下，循环和季节性趋势是原序列中比较稳健的趋势变动。 随机趋势难以预测，波动较大。 因此，关于时间序列的分割，往往不考虑随机趋势的影响，而分割比较鲁棒的长期循环和季节性趋势。

二、ARMA 模型

1.自回归模型arn )。

2 .移动平均模型mam )。

3 .自回归移动平均模型

4 .稳态时间序列的模型辨识

三、ARIMA 模型

1.差分运算

2 .差分方式的选择

四、ARIMA 实现步骤

。

五、例题精讲

1.时序arp )机型，这里什么是p？ a .时间序列自相关系数为p次切片的b .时间序列的自相关系数为p次切片的c .时间序列的偏相关系数为p次切片的d .时间序列的偏相关系数为p次切片的答案： c分析：通过观察ACF和PACF图形，评价如何确定AR模型、MA的类型和延迟阶