求教时间序列AR模型做预测 MATLAB

1. 求教时间序列AR模型做预测 MATLAB

如何用MATLAB对时间序列AR模型做预测？
第一步，使用load命令加载数据
第二步，使用ar函数，确定时间序列AR模型
第三步，确定预测时间范围指定为K个样本。K=100。
第四步，使用forecast函数，绘制给定时间范围内的预测系统响应。
实现代码，（供参考）
clc
%Forecast Response of Time Series Model
%时间序列模型的预测响应
load iddata9 z9
past_data = z9.OutputData(1:50);
model = ar(z9,4);
K = 100;
forecast(model,'r--',past_data,K);
运行结果

2. 如何对时间序列预测建模

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。
它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。

（一）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。
（二）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。
（三）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。
（四）进行参数估计，检验是否具有统计意义。
（五）进行假设检验，诊断残差序列是否为白噪声。
（六）利用已通过检验的模型进行预测分析。

3. MATLAB在时间序列分析中的应用的内容提要

本书简明扼要地介绍了时间序列及其相关领域的基本概念和基本理论，对ARMA序列预测、时间序列的统计分析、时间序列的时频分析和时间序列的小波变换等给出了有关分析计算方法，结合MATLAB编程应用，介绍了MATLAB时间序列分析有关函数的功能和用法，阐述了如何利用这些函数解决工程应用中的问题。本书侧重应用，在介绍基本概念和基本理论时，重在介绍其物理背景和应用背景，避开了繁复的理论推导和中间过程。借助本书，一般学者不需要具有太多的理论基础就能对工作、学习中涉及到的时间序列进行分析处理。本书适合作为理工科高等院校研究生、本科生教学用书，也可作为全国大学生数学建模竞赛辅导用书以及广大科研、工程技术人员的自学用书。