基于ARIMA模型的商品条码注册量预测方法技术

本发明专利技术公开了一种基于ARIMA模型的商品条码注册量预测方法，该方法对商品条码注册量序列进行平稳性判定和平稳化处理，再根据商品条码注册量序列的自相关和偏自相关特性确定模型结构和计算相关参数，通过检验残差序列来判断模型是否合理。通过建立合理的ARIMA模型，实现对商品条码注册量序列的拟合，从而外推出商品条码注册量的未来预测值。运用本发明专利技术的预测方法能够获得较高的预测精度。

ARIMA model based method for forecasting commodity barcode registration

The invention discloses a prediction method of barcode registration based on the ARIMA model, the method of judging and smoothed smooth registration sequence of commodity bar code, according to the barcode registration sequence autocorrelation and partial autocorrelation characteristics determine the model structure and calculate the relevant parameters, through the test to determine the residual sequence the model is reasonable. Through the establishment of a reasonable ARIMA model, to achieve the registration of commodity barcode registration sequence, from the introduction of the future forecast value of commodity barcode registration. The forecasting method of the invention can obtain higher prediction precision.

【技术实现步骤摘要】

本专利技术涉及时间序列预测
，具体涉及一种基于ARIMA模型的商品条码注册量预测方法。
技术介绍
商品条码注册信息涵盖企业名称、行政区划、注册资金、企业类别、经济类型代码、国民经济行业分类代码、最后一次操作时间、是否注销、注册日期等，以注册日期为统计项进行统计，便可得到月度商品条码注册量数据。商品条码注册量反应了新增商品制造和销售的情况，从宏观角度上分析，一定时期内的商品条码注册量的变化，一方面能够直接反映一个地区的商品制造和销售的表现，另一方面可以间接反映出该地区的商业流通的活跃程度，因此商品条码注册量可以被认为是衡量一个国家或地区经济状况的重要指标。目前，对商品条码注册量的研究只停留在统计阶段，甚少有进一步的深入研究。对某地区的商品条码注册量进行预测，可以大致研判该地区在未来一定时期内的经济发展程度，还可以根据预测数据制定各项管理和控制政策，因此商品条码注册量预测具有重要的指导意义。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于ARIMA模型的商品条码注册量预测方法，可以实现对商品条码月度注册量的高精度预测。本专利技术的目的可以通过采取如下技术方案达到：一种基于ARIMA模型的商品条码注册量预测方法，所述商品条码注册量预测方法包括：S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，对所述商品条码注册量序列进行平稳性判定，若平稳，则转入步骤S3；若不平稳，则转入步骤S2；S2、对不平稳的商品条码注册量序列进行平稳化处理，返回步骤S1；S3、对商品条码注册量序列进行结构识别，确定ARIMA模型的自回归阶数和移动平均阶数，并从初步识别出来的模型中确定最优模型；S4、计算ARIMA模型的参数；S5、运用所建立的ARIMA模型拟合商品条码注册量序列，拟合得到残差序列，对所述残差序列进行检验，判断所建立的ARIMA模型是否合理并可用于预测。进一步地，所述商品条码注册量序列为月度的商品条码注册量序列。进一步地，所述步骤S1中对所述商品条码月度注册量序列进行平稳性判定具体如下：根据公式(1)计算商品条码注册量序列的自相关系数rk，当自相关系数随着滞后期的增大迅速趋近于0时，则认为时间序列样本是平稳的，反之则认为时间序列不平稳，其中公式(1)如下：rk=Σt=1n-k(yt-y‾)(yt+k-y‾)Σt=1n(yt-y‾)2---(1)]]>上式中，表示时间序列的均值，n表示时间序列的数据个数，k表示滞后期。进一步地，所述步骤S2中采用差分方法对不平稳的商品条码注册量序列进行平稳化处理，对时间序列进行一阶逐期差分处理，以消除时间序列的上升趋势，再进行指定步长的一阶季节差分处理，以消除季节性变动。进一步地，进行所述指定步长为12的一阶季节差分处理，以消除季节性变动。进一步地，所述步骤S3中的所述自回归阶数和所述移动平均阶数通过分析差分平稳化后的商品条码注册量序列的自相关和偏自相关特性选择，其中，偏自相关系数根据公式(2)来计算；pk,k=r1,k=1rk-Σj=1k-1pk-1,j·rk-j1-Σj=1k-1pk-1,j·rj,k=2,3,...---(2)]]>上式中，pk,j＝pk-1,j-pk,k·pk-1,k-j(j＝1,2,…,k-1)，pk,j表示k时刻与j时刻之间的偏自相关系数。进一步地，所述步骤S3中从初步识别出来的模型中确定最优模型具体如下：采用AIC准则和BIC准则对初步识别的多个模型进行比较，AIC值和BIC值最小的模型可判定为最优模型，其中，AIC值和BIC值的计算公式分别如下：AIC＝2k-2ln(L)(3)BIC＝ln(n)*k-2ln(L)(4)上式中，k表示待估计的模型独立参数数量，L表示模型的极大似然函数，n表示时间序列样本是数据量。进一步地，所述步骤S4具体为：采用最小二乘法进行参数估计，得到ARIMA模型的函数表达式如下：(1-B)(1-B12)yt＝(1+0.7844B)(1+0.6953B12)εt(5)上式中，yt表示输出，B表示差分算子，εt表示残差。进一步地，所述步骤S5具体为：对拟合得到的商品条码注册量的残差序列采用自相关检验法，考察所述残差序列的自相关分析图，如果所述残差序列的自相关系数基本落在置信区间内，则所建ARIMA模型合理，可用于预测。本专利技术相对于现有技术具有如下的优点及效果：1、本专利技术通过建立合理的ARIMA模型，实现对商品条码注册量序列的拟合，从而外推出商品条码注册量的未来预测值，在计算上操作较简单。2、本专利技术对商品条码注册量的预测具有较高精度，预测误差在10％以内。附图说明图1是本专利技术公开的基于ARIMA模型的商品条码注册量预测方法的流程步骤图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例如附图1所示，附图1是本专利技术公开的基于ARIMA模型的商品条码注册量预测方法的流程步骤图，下面结合附图1具体说明一种基于ARIMA模型的商品条码注册量预测方法，该方法包括下列步骤：步骤S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，对所述商品条码注册量序列进行平稳性判定，若平稳，则转入步骤S3；若不平稳，则转入步骤S2；具有应用中，本实施例中，商品条码注册量序列为月度的商品条码注册量序列，即按月份进行统计。以商品条码注册信息的注册时间为统计项进行统计，得到商品条码月度注册量序列，对所述商品条码月度注册量序列进行平稳性判定具体如下：根据公式(1)计算商品条码注册量序列的自相关系数rk，当自相关系数随着滞后期的增大迅速趋近于0时，可以认为时间序列样本是平稳的，反之则认为时间序列不平稳。rk=Σt=1n-k(yt-y‾)(yt+k-y‾)Σt=1n(yt-y‾)2---(1)]]>上式中，表示时间序列的均值，n表示时间序列的数据个数，k表示滞后期。步骤S2、对不平稳的商品条码注册量序列进行平稳化处理，返回步骤S1；具体应用中，所述步骤S2采用差分方法进行处理使商品条码注册量序列平稳化，具体操作是对时间序列进行一阶逐期差分处理，以消除时间序列的上升趋势，再进行指定步长为12的一阶季节差分处理，以消除季节性变动。步骤S3、对商品条码注册量序列进行结构识别，确定ARIMA模型的自回归阶数和移动平均阶数，并从初步识别出来的模型中确定最优模型；具体应用中，所述自回归阶数和所述移动平均阶数通过分析差分平稳化后的商品条码注册量序列的自相关和偏自相关特性选择，其中，偏自相关系数根据式(2)来计算；pk,k=r1,k=1rk-Σj=1k-1pk-1,j·rk-j1-Σj=1k-1pk本文档来自技高网...

【技术保护点】
一种基于ARIMA模型的商品条码注册量预测方法，其特征在于，所述商品条码注册量预测方法包括：S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，对所述商品条码注册量序列进行平稳性判定，若平稳，则转入步骤S3；若不平稳，则转入步骤S2；S2、对不平稳的商品条码注册量序列进行平稳化处理，返回步骤S1；S3、对商品条码注册量序列进行结构识别，确定ARIMA模型的自回归阶数和移动平均阶数，并从初步识别出来的模型中确定最优模型；S4、计算ARIMA模型的参数；S5、运用所建立的ARIMA模型拟合商品条码注册量序列，拟合得到残差序列，对所述残差序列进行检验，判断所建立的ARIMA模型是否合理并可用于预测。

【技术特征摘要】
1.一种基于ARIMA模型的商品条码注册量预测方法，其特征在于，所述商品条码注册量预测方法包括：S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，对所述商品条码注册量序列进行平稳性判定，若平稳，则转入步骤S3；若不平稳，则转入步骤S2；S2、对不平稳的商品条码注册量序列进行平稳化处理，返回步骤S1；S3、对商品条码注册量序列进行结构识别，确定ARIMA模型的自回归阶数和移动平均阶数，并从初步识别出来的模型中确定最优模型；S4、计算ARIMA模型的参数；S5、运用所建立的ARIMA模型拟合商品条码注册量序列，拟合得到残差序列，对所述残差序列进行检验，判断所建立的ARIMA模型是否合理并可用于预测。2.根据权利要求1所述的基于ARIMA模型的商品条码注册量预测方法，其特征在于，所述商品条码注册量序列为月度的商品条码注册量序列。3.根据权利要求1或2所述的基于ARIMA模型的商品条码注册量预测方法，其特征在于，所述步骤S1中对所述商品条码月度注册量序列进行平稳性判定具体如下：根据公式(1)计算商品条码注册量序列的自相关系数rk，当自相关系数随着滞后期的增大迅速趋近于0时，则认为时间序列样本是平稳的，反之则认为时间序列不平稳，其中公式(1)如下：rk=Σt=1n-k(yt-y‾)(yt+k-y‾)Σt=1n(yt-y‾)2---(1)]]>上式中，表示时间序列的均值，n表示时间序列的数据个数，k表示滞后期。4.根据权利要求1或2所述的基于ARIMA模型的商品条码注册量预测方法，其特征在于，所述步骤S2中采用差分方法对不平稳的商品条码注册量序列进行平稳化处理，对时间序列进行一阶逐期差分处理，以消除时间序列的上升趋势，再进行指定步长的一阶季节差分处理，以消除季节性变动。5.根据权利要求4所述的基于ARIMA模型的商品条码注册量预测方法，其特征在于，进行所...

【专利技术属性】
技术研发人员：谢巍，邓智敏，杨晓峰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44