论文部分内容阅读
地表温度作为评价和评估地表面平衡的一项重要指标，对其进行研究分析可以让人们更好地认识地表温度的变化规律。因此对地表温度规律及趋势进行研究具有非常重要的意义。但是在应用指数平滑法、ARMA模型和ARIMA模型等方法对地表温度时间序列分析的方面研究不足，并且在统计预测中存在着分析预测结果的滞后性、较大的多步预测误差和较差的非平稳序列分析效果等问题。针对上述问题，本文对ARIMA模型和单指数平滑法进行了改进，具体的研究内容及研究工作包括以下几个方面： （1）应用ARIMA模型对地表温度时间序列进行分析预测。首先检查获取的数据是否有误差很大的点存在，然后对白噪声进行检验，通过研究分析从AR（p）模型、MA（q）模型以及ARMA（p，q）模型中选出一个合适的模型，接着确定选出来的合适的模型的阶数，利用最小二乘法对地表温度时间序列数据进行参数估计。本文克服了地表温度时间序列在模型定价、模型估计等方面的困难，实验结果表明该模型可以对地表温度时间序列进行预测，两组实验的Theil不等系数分别是0.47和0.449，协方差比例分别是0.76和0.711，表明模型具有较为满意的预测结果。 （2）对ARIMA模型进行了改进。首先对时间序列中的多个时间点进行分析研究，然后应用等距节点公式来对ARIMA(p，d，q)模型进行改进。实验结果表明改进后模型的Theil不等系数为0.264582，比传统模型降低了55.64％，说明单位误差均方根变小了，预测值更接近于实际值了；协方差比率为0.854773，比传统模型的0.763663升高了11.93%，表明非系统误差较大，改进后的ARIMA模型具有较好的预测结果。上述对ARIMA模型的改进给地表温度时间序列分析预测提供了一种新的思路。 （3）将指数平滑法应用于短时地表温度时间序列数据的分析和预测，在Holt-Winters无季节性模型的分析预测实验中通过不断的试验，确定了阻尼因子，建立了预测公式。两组实验结果中Holt-Winters无季节性模型的残差平方和分别为13.78303、12.23737，分别低于一次指数平滑法的15.05871、16.97791与二次指数平滑法的14.68269、18.75255；Holt-Winters无季节性模型的预测误差的均方根分别为0.677816、0.638680，分别低于一次指数平滑法的0.708489、0.752283与二次指数平滑法的0.699588、0.790623。研究表明Holt-Winters无季节性模型对短时地表温度时间序列数据的分析和预测的精确度是较高的。 （4）对单指数平滑法进行了改进。针对传统的单指数平滑法只包含历史数据值的变化规律信息，没有考虑到后面已经获得的数据值的影响这一局限性，对其进行了改进，实验证明改进后的单指数平滑法的残差平方和比传统单指数平滑法降低了22.73%，预测误差的均方根比传统单指数平滑法降低了15.49%。研究表明改进后的单指数平滑法的预测结果更准确。 （5）通过将改进后的ARIMA模型与Holt-Winters无季节性模型预测结果的对比分析、改进后的单指数平滑法与Holt-Winters无季节性模型预测结果的对比分析以及改进后的ARIMA模型与改进后的单指数平滑法预测结果的对比分析，发现改进后的ARIMA模型与改进后的单指数平滑法比传统指数平滑法中的其他模型的预测准确度都高，并且改进后的ARIMA模型的与预测值要比改进后的单指数平滑法的预测值更接近于真实值，更适合于对地表温度时间序列进行分析预测。