時間序列分析
| 時間序列分析 |
時間序列分析（Time-Series Analysis）是指將原來的銷售分解為四部分來看——趨勢、周期、時期和不穩定因素，然後綜合這些因素，提出銷售預測。強調的是通過對一個區域進行一定時間段內的連續遙感觀測，提取圖像有關特徵，並分析其變化過程與發展規模。當然，首先需要根據檢測對象的時相變化特點來確定遙感監測的周期，從而選擇合適的遙感數據。
目錄
簡介
根據動態數據作相關圖，進行相關分析，求自相關函數。相關圖能顯示出變化的趨勢和周期，並能發現跳點和拐點。跳點是指與其他數據不一致的觀測值。如果跳點是正確的觀測值，在建模時應考慮進去，如果是反常現象，則應把跳點調整到期望值。拐點則是指時間序列從上升趨勢突然變為下降趨勢的點。如果存在拐點，則在建模時必須用不同的模型去分段擬合該時間序列，例如採用門限回歸模型。辨識合適的隨機模型，進行曲線擬合，即用通用隨機模型去擬合時間序列的觀測數據。對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。對於平穩時間序列，可用通用ARMA模型（自回歸滑動平均模型）及其特殊情況的自回歸模型、滑動平均模型或組合-ARMA模型等來進行擬合。當觀測值多於50個時一般都採用ARMA模型。對於非平穩時間序列則要先將觀測到的時間序列進行差分運算，化為平穩時間序列，再用適當模型去擬合這個差分序列。
評價
時間序列分析是定量預測方法之一。它包括一般統計分析（如自相關分析，譜分析等），統計模型的建立與推斷，以及關於時間序列的最優預測、控制與濾波等內容。經典的統計分析都假定數據序列具有獨立性，而時間序列分析則側重研究數據序列的互相依賴關係。後者實際上是對離散指標的隨機過程的統計分析，所以又可看作是隨機過程統計的一個組成部分。例如，記錄了某地區第一個月，第二個月，…，第N個月的降雨量，利用時間序列分析方法，可以對未來各月的雨量進行預報。[1]