Page 320 - 数学建模算法与应用

Mathematical Modeling Algorithms and Applications
数学建模算法与应用

% 预测 1986 年和 1987 年的数据
y1986 = a21 + b21；

y1987 = a21 + 2 * b21；

% 显示预测结果

disp([‘ 预测 1986 年的数据 y1986：’， num2str(y1986)])；
disp([‘ 预测 1987 年的数据 y1987：’， num2str(y1987)])；

% 保存处理后的数据
save(‘bdata.mat’， ‘y’， ‘yhat1’， ‘yhat2’， ‘a21’， ‘b21’， ‘y1986’， ‘y1987’)；
趋势移动平均法对于同时存在直线趋势与周期波动的序列，是一种既能反映趋势

变化，又可以有效地分离出来周期变动的方法。

第三节 时间序列的 Matlab 工具箱的应用

在进行时间序列分析时，Matlab 作为一个强大的工具，提供了多种内置函数
来处理时间序列数据。无论是数据预处理、模型构建、参数估计还是模型诊断和

预测，Matlab 都拥有相应的工具箱来支持这些工作。
在进行时间序列分析前，数据预处理是必不可少的。这包括缺失值填充、异
常值检测与修正等。Matlab 提供了如 fillmissing 函数来填补缺失值，isoutlier 函

数来检测数据中的异常值。例如，对于一个存在缺失值的时间序列 x，可以使用
如下命令：
x = fillmissing(x， ‘previous’)；

这将用前一个值填充缺失值。

一、模型构建与参数估计

时间序列分析的核心在于构建合适的模型来捕捉数据的变化趋势。Matlab 内
置的时间序列分析工具箱支持多种模型构建，如 ARIMA 模型。使用 arima 函数
可以创建 ARIMA 模型，而 estimate 函数则用于估计模型参数。例如，构建一个

310