11、用于时间序列预测的ARIMA与神经网络组合方法

用于时间序列预测的ARIMA与神经网络组合方法

1. 引言

在商业规划中，预测起着至关重要的作用。准确预测未来的能力是零售、营销、生产、库存控制、人员管理等众多商业功能领域决策活动的基础。提高预测准确性可以为公司节省数百万美元，这也是使用正式系统预测方法和探索新的、更好的预测方法的主要动力。

时间序列建模方法是实践中广泛使用的主要技术之一。与因果方法相比，时间序列方法在数据收集和建模准备方面更具优势，因为因果方法需要识别和预测多个解释变量或因果变量。在时间序列预测中，收集和分析预测变量的历史数据，以开发一个能够捕捉时间序列观测值之间潜在关系的模型，然后使用该模型将时间序列外推到未来进行预测。

时间序列建模和预测大致有线性和非线性两种方法。线性方法假设数据生成过程是线性的，有许多线性预测模型，如移动平均、指数平滑、时间序列回归和时间序列分解等。其中，自回归积分滑动平均（ARIMA）模型是最重要和最流行的线性模型之一，但它的主要局限性是假设模型为线性形式，无法捕捉许多商业和经济时间序列中常见的非线性模式。

非线性方法可能更适合大多数现实世界的问题，但非线性世界比线性世界复杂得多，因为存在许多可能的非线性关系或结构。大多数过去二十年开发的非线性模型本质上是参数化的，使用这些模型需要先指定模型形式，如果数据特征与模型假设不匹配，这些模型可能就不适用。

人工神经网络（ANNs）是一种更灵活的非线性模型，它以数据为驱动，不需要对底层模型的形式做出严格假设，适合处理具有复杂非线性结构的问题，但缺乏确定具体结构形式的理论。

本研究采用线性ARIMA和非线性ANN模型的组合方法进行时间序列预测，其动机主要有三点：
- 难以确定时