时间序列分析在空气质量指数(AQI)预测中的应用

摘要

空气质量情况影响着人们的日常生活和身心健康，空气质量指数(AQI)是衡量空气质量情况的一个重要依据，它利用函数知识将空气中影响人们健康的几种主要污染物化成单一指数值的形式，通过它的大小来判断空气质量情况，其值越大，空气污染情况越严重，它是目前衡量空气质量情况最常用的参照指标，能准确的反应实际空气质量情况，评价结果也与人们平时对空气质量情况的感受相一致.
　　时间序列分析是根据时间序列数据的特点，通过曲线拟合及参数估计建立时间序列拟合模型，它不仅可以通过数字揭示各类事物的内在发展规律，还可以从动态的角度上揭示各种行为的目的，进而对事物的未来发展进行准确预测和控制.该方法的实用性很强，它被广泛应用到经济，贸易，商业工程等各个生活领域，同时它也是预测空气质量情况的一种重要方法.
　　本文以大连市2014年全年的AQI日报数据为样本，运用Eviews软件及时间序列分析建立预测模型，在验证数据是平稳序列后，利用多种时间序列方法建立拟合模型，经过分析及对比得出ARMA(1，1)的模型预测效果要好于其他模型，所以选定ARMA(1，1)模型为最终预测模型.最后使用此模型对该市未来10天的空气质量指数进行预测，参照AQI级别划分表可知大连市未来10天的空气质量所处等级，并判断在该等级下的空气质量情况是否适合人们出行.

目录

声明

摘要

1 绪论

1．1 我国空气质量现状和空气质量评价

1．2 文献综述

1．3 本文的主要工作

2 时间序列分析基本理论

2．1 时间序列的预处理

2．1．1 平稳时间序列

2．1．2 用ADF检验法检验时间序列平稳性

2．1．3 非平稳时间序列转换方法

2．2 基本模型及模型的识别

2．2．1 基本概念

2．2．2 AR模型的定义及识别

2．2．3 MA模型的定义及识别

2．2．4 ARMA模型的定义及识别

2．3 模型参数的估计

2．3．1 AR(p)模型参数的Yule-Walker估计

2．3．2 MA(q)模型参数的矩估计

2．3．3 ARMA(p，q)模型参数的最小二乘估计

2．4 模型的预测与检验

2．4．1 AR(p)模型的预测

2．4．2 MA(q)模型的预测

2．4．3 ARMA(p，q)模型的预测

2．4．4 ARMA(p，q)模型的诊断检验

3 实例分析

3．1 数据的来源

3．2 模型的平稳性检验及模型定阶

3．2．1 模型的平稳性检验

3．2．2 模型定阶

3．3 模型的参数估计

3．3．1 数据的预处理

3．3．2 AR(2)模型的参数估计

3．3．3 MA(1)模型的参数估计

3．3．4 ARMA模型的参数估计

3．3．5 三个模型的对比分析

3．4 ARMA(1，1)模型的检验

3．5 ARMA(1，1)模型的预测

结论

参考文献

附录

攻读硕士学位期间发表学术论文情况

致谢