演變分析(數(shù)據(jù)庫(kù))

時(shí)間：2022-12-02 08:30:02 | 來(lái)源：信息時(shí)代

時(shí)間：2022-12-02 08:30:02 來(lái)源：信息時(shí)代

    演變分析 : 描述對(duì)象行為隨時(shí)間變化的規(guī)律或趨勢(shì),并對(duì)其建模,以預(yù)測(cè)其未來(lái)形式的過(guò)程。主要包括因果關(guān)系分析、時(shí)間序列分析兩類。
1. 因果分析
因果分析是研究當(dāng)某個(gè)或某些因素發(fā)生變化時(shí),對(duì)其他因素的影響?；貧w分析是一類重要的因果分析方法,它是從各變量的相互關(guān)系出發(fā),通過(guò)分析與被預(yù)測(cè)變量有聯(lián)系的現(xiàn)象的變動(dòng)趨勢(shì),推算出被預(yù)測(cè)變量未來(lái)狀態(tài)的一種預(yù)測(cè)法。由回歸分析求出的關(guān)系式稱為回歸模型,按照不同的標(biāo)準(zhǔn),有多種分類方法:
(1)根據(jù)自變量的個(gè)數(shù),回歸模型分為一元回歸模型和多元回歸模型。一元回歸模型中只有一個(gè)自變量,因變量由這個(gè)自變量唯一決定; 多元回歸模型中含有多個(gè)自變量,因變量由這些自變量的某種組合所決定。
(2)根據(jù)回歸模型是否線性,回歸模型分為線性回歸模型和非線性回歸模型。線性回歸模型是指因變量和自變量之間是線性函數(shù)關(guān)系; 非線性回歸模型也被稱為多項(xiàng)式回歸模型,在這類模型中,因變量和自變量之間是多項(xiàng)式的函數(shù)關(guān)系。
(3)根據(jù)模型是否帶有虛擬變量,回歸模型可以分為普通回歸模型和虛擬變量回歸模型。普通回歸模型的自變量都是數(shù)值型變量,而虛擬變量回歸模型的自變量既有數(shù)值型變量也有類別型變量。
2. 時(shí)間序列分析
時(shí)間序列分析是通過(guò)分析調(diào)查收集的己知的歷史和現(xiàn)狀方面的資料,研究其演變規(guī)律,據(jù)此預(yù)測(cè)對(duì)象的未來(lái)發(fā)展趨勢(shì)。時(shí)間序列指按時(shí)間順序排列的觀測(cè)值集合。在特定應(yīng)用領(lǐng)域中,時(shí)間序列數(shù)據(jù)取值可以是整型、 實(shí)型等。 用y_t表示時(shí)間序列, ψ_t-1為用于預(yù)測(cè)時(shí)刻t的時(shí)刻t-1的信息集。由此時(shí)間序列的一般模型為:y_t＝f(ψ_t-1)+u_t。其中,u_t是均值為零、方差為σ²的隨機(jī)變量序列,是y_t在時(shí)刻t的一步滯后預(yù)測(cè)誤差,即在時(shí)刻t對(duì)時(shí)間序列的一次修正。時(shí)間序列分析法主要包括以下幾類:
(1)時(shí)間序列預(yù)測(cè)方法:是一種考慮變量隨時(shí)間發(fā)展變化規(guī)律,并用該變量以往的統(tǒng)計(jì)資料建立數(shù)學(xué)模型,進(jìn)行類推或延伸,借以預(yù)測(cè)下一段時(shí)間的趨勢(shì)的方法。該方法所需要的只是序列本身的歷史數(shù)據(jù),具體方法有ARMA模型(博克斯—詹金斯)法、移動(dòng)平均法、指數(shù)平滑法、趨勢(shì)外推法、自適應(yīng)過(guò)濾法等。ARMA模型(博克斯—詹金斯)法是一種最通用的時(shí)間序列預(yù)測(cè)方法。其模型可分為: 自回歸模型(AR模型)、滑動(dòng)平均模型(MA模型)和自回歸滑動(dòng)平均混合模型(ARMA模型)。ARMA模型法的基本思想是將預(yù)測(cè)對(duì)象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列,即除去個(gè)別的因偶然原因引起的觀測(cè)值外,時(shí)間序列是一組依賴于時(shí)間t的隨機(jī)變量。這組隨機(jī)變量所具有的依存關(guān)系或自相關(guān)性表征了預(yù)測(cè)對(duì)象發(fā)展的延續(xù)性,而這種自相關(guān)性一旦被相應(yīng)的數(shù)學(xué)模型描述出來(lái),就可以從時(shí)間序列的過(guò)去值及現(xiàn)在值預(yù)測(cè)其未來(lái)的值。
(2)時(shí)間序列數(shù)據(jù)的相似搜索:是通過(guò)測(cè)量時(shí)間序列數(shù)據(jù)之間的相似度,從歷史庫(kù)中尋找相似的時(shí)間序列數(shù)據(jù),從而對(duì)系統(tǒng)的走勢(shì)做出預(yù)測(cè)。時(shí)間序列相似搜索中的相似匹配分為兩類: 整體序列匹配(whole sequence matching):找出彼此間相似的序列;子序列匹配(subsequence matching):找出與給定序列相似的所有數(shù)據(jù)序列。
(3)周期分析:指對(duì)周期模式的挖掘,即在時(shí)序數(shù)據(jù)庫(kù)中找出重復(fù)出現(xiàn)的模式。分為以下三類: 挖
掘全周期模式(full periodic pattern):描述整個(gè)時(shí)間點(diǎn)的時(shí)序周期,其中每一時(shí)間點(diǎn)都影響著時(shí)序上的循環(huán)行為; 挖掘部分周期模式(partial periodic pattern):描述在部分時(shí)間點(diǎn)的時(shí)序周期。部分周期是一種比全周期較為松散的形式,在現(xiàn)實(shí)世界也更為常見;挖掘循環(huán)或周期關(guān)聯(lián)規(guī)則: 描述周期出現(xiàn)的事件的關(guān)聯(lián)規(guī)則。