Nghiên cứu ứng dụng chuỗi thời gian trong việc dự báo kinh doanh xăng dầu

www.themegallery.com Họ và tên : Trần Văn Tâm Em. Sinh viên Khoa CNTT – Trường ĐH lạc Hồng Ngày tháng năm sinh : 06/09/1972 Cơ quan đang làm việc : Tín Nghĩa Corp. Email : tvt_em@timexco.com.vn Thông tin cá nhân www.themegallery.com Tên đề tài: Nghiên cứu ứng dụng chuổi thời gian trong việc dự báo kinh doanh xăng dầu. Tên đề tài www.themegallery.com Dựa vào dữ liệu theo chuổi thời gian - time series và xây dựng mô hình ước lượng dữ liệu, dự báo giá trị tương lai và áp dụng cho bài toán dự báo sản lượng tiêu thụ xăng dầu. Trong luận văn tập trung sử dụng chuỗi thời gian trong quá khứ, dùng mô hình ARIMA của Box – Jenkins với phương pháp hồi quy AR (AutoRegressive) và Mô hình trung bình trượt (Moving Average), Áp dụng hàm tự tương quan - ACF (AutoCorrelation Function) và hàm tự tương quan riêng phần - PACF (Patial AutoCorrelation Function) để giải quyết bài toán mô phỏng việc dự báo sản lương tiêu thụ xăng dầu trong tương lai. Mục tiêu đề tài www.themegallery.com Chương 1: Tổng Quan. 1 Chương 2: Cơ sở lý thuyết. 2 Chương 3: Ước lương tham số, kiểm định giả thiết và dự báo 3 Chương 4: Hiện thực dữ liệu trên R 4 Nội dung Chương 5: Kết luận. 5 Chương 6: Tài liệu tham khảo, bảng biểu. 6 www.themegallery.com 1. Tổng Quan 1.1 Giới thiệu về lịch sử quá trình dự báo 1.2 Đặc điểm của dự báo 1.3 Các loại dự báo 1.3.1. Căn cứ vào độ dài thời gian dự báo 1.3.2. Dựa vào các phương pháp dự báo: 1.3.3. Căn cứ vào đối tượng dự báo 1.4 Các nghiên cứu liên quan & Lý do chọn đề tài. 1.5 Mục tiêu của luận văn. www.themegallery.com 2. Cơ sở lý thuyết. 2.1 Dãy số thời gian. 2.2 Tương quan (Correlation ) và hàm tự tương quan ACF (AutoCorrelation Function). 2.2.1 Tương quan (Correlation ) 2.2.2 hàm tự tương quan ACF (AutoCorrelation Function). 2.3 Hàm tự tương quan riêng phần PACF (Partial AutoCorrelation Function) 2.4 Nhận dạng các mô hình 2.4.1 Mô hình tự hồi qui bậc p (Auto Regression) - AR(P) 2.4.2 Mô hình trung bình trượt bậc q (Moving Average) - MA(q) 2.4.3 Mô hình ARMA(p,q) 2.4.4 Các bước thực hiện của phương pháp Box - Jenkins www.themegallery.com Dãy số thời gian là dãy số các trị số của chỉ tiêu thống kê được sắp xếp theo thứ tự thời gian. Mỗi dãy số thời gian có hai thành phần: 1. Thời gian: có thể là ngày, tuần, tháng, quí, năm, . . Độ dài giữa hai thời gian liền nhau được gọi là khoảng cách thời gian. 2. Chỉ tiêu về hiện tượng nghiên cứu: chỉ tiêu này có thể là số tuyệt đối, số tương đối, số bình quân. Trị số của chỉ tiêu còn gọi là mức độ của dãy số. 2.1 Dãy số thời gian www.themegallery.com Phân loại dãy số thời gian: 1. Dãy số thời kỳ: là dãy số biểu hiện mặt lượng của hiện tượng qua từng thời kỳ nhất định. Muốn tính mức độ bình quân: ta cộng các mức độ trong dãy số rồi chia cho số các mức độ, tức là: Trong đó: y i (i = 1,…, n): các mức độ của dãy số thời kỳ n: số mức độ của dãy số 2. Dãy số thời điểm: là loại dãy số biểu hiện mặt lượng của hiện tượng qua các thời điểm nhất định. Dãy số có khoảng cách thời gian bằng nhau thì mức độ trung bình được tính như sau: Trong đó: yi (i=1,2, . . . ,n) là các mức độ của dãy số thời điểm. n: số m ức độ của dãy số. 2.1 Dãy số thời gian (tt) www.themegallery.com Sản lượng / Năm 2002 2003 2004 2005 2006 Sản lượng bán ra (triệu lít) 19 54 81 90 95 1 123 1 n ni y yyy y y nn = ++++ == ∑ Vd: Y = (19 +54+81+90+95)/5 Dãy số thời kỳ: www.themegallery.com Đối với dãy số thời điểm: Dãy số có khoảng cách thời gian bằng nhau Sản lượng / Năm 2002 2003 2004 2005 2006 Sản lượng bán ra (triệu lít) 19 54 81 90 95 * Yi (i = 1,…, n): các mức độ của dãy số thời điểm * n: số mức độ của dãy số Vd: Y = (19/2 +54+81+90+95/2)/(5-1) y= (y 1 /2 + y 2 + y 3 + … + y n-1 + y n / 2) / (n -1) [...]... tương tự quan tại độ trễ k được tính như sau: www.themegallery.com 2.2 Hàm tự tương quan ACF (AutoCorrelation Function) (tt) Trong đó yt: dữ liệu chuỗi thời gian dừng tại thời điểm t yt+k : dữ liệu chuỗi thời gian dừng tại thời điểm t +k μ : giá trị trung bình của chuỗi thời gian dừng rk : giá trị tương quan giữa yt và yt+k tại độ trễ k rk=0 thì không có hiện tượng tự quan, www.themegallery.com 2.2... hệ số âm giữa các khoảng thời gian kề nhau Tóm lại, hàm tự tương quan ACF và hàm tự tương quan riêng phần PACF của chuỗi thời gian có đặc tính khác nhau Hàm tự tương quan ACF đo mức độ phụ thuộc tuyến tính giữa các cặp quan sát cón hàm PACF đo mức độ phụ thuộc tuyến tính từng phần ARIMA sử dụng 2 đặc tính này để xác định cấu trúc mô hình cho chuỗi thời gian được thực hiện trong luận văn này www.themegallery.com...Đối với dãy số thời điểm: Dãy số có khoảng cách thời gian Không bằng nhau n y1t1 + y2t2 + y3t3 + + yntn = y= t1 + t2 + t3 + + tn ∑yt i =1 n i i ∑t i =1 i Trong đó: * yi (i=1,2,3, , n): các mức độ của dãy số thời điểm * ti (i=1,2, , n): độ dài của các khoảng cách thời gian www.themegallery.com Vd: Đối với dãy số thời điểm: Sản lượng bán ra quí 1 năm 2010 như sau: Ngày (thời điểm) 1-1 20-1... Sử dụng những giả thiết cho kiểm định: H0 : Pkk = 0 Ha : Pkk ≠ 0 ckk − 0 Ckk − 0 = t= 1 v n Khi độ trễ tăng, số các hệ số tăng theo Phương pháp của Durbin cho phép việc tính đệ quy dựa vào việc sử dụng kết quả trước đó Trong thực tế, với chuỗi có N quan sát, Box – jenkins đưa ra cách tính hàm tự tương quan và tự tương quan riêng phần với N/4 độ trễ, giá trị tối thiểu của N là 50 www.themegallery.com... được sử dụng để nhận dạng mô hình ARIMA dự định Theo phần trên với việc xác định hàm tương quan giữa cặp y(t) và y(t+k), ta xác định hàm tự tương quan riêng phần đến các quan sát y(t+1), …, y(t+k-1) Hàm tự tương quan riêng phần tại độ trễ K Ckk được ước lượng bằng hệ số liên hệ y(t) trong mối kết hợp tuyến tính bên dưới Sự kết hợp được tính dựa trên tầm ảnh hưởng của y(t) và các giá trị trung gian y(t+k)... các biến ngẫu nhiên trong chuỗi dừng thay đổi quanh giá trị trung bình μ với phương sai σ2 Khi đó, hàm tương tự quan tại các độ trễ khác nhau sẽ có giá trị khác nhau Trong thực tế ta có thể ước lượng hàm tự tương quan tại độ trễ k qua phép biến đổi trung bình của tất cả các cặp quan sát, phân biệt bằng độ trễ k Với giá trị trung bình mẫu là μ, được chuẩn hóa bởi phương sai σ2 Cho chuỗi N điểm, giá... Ckky(t) + e(t) Giải phương trình hồi qui dựa trên bình phương tối thiểu (oridinary least square) vì hệ số hồi quy Ckj phải được tính ở mỗi độ trễ k, với j chạy từ 1 đến k Giải pháp dùng xấp xỉ đệ quy hệ số hồi quy cho mô hình ARIMA chuỗi dừng (do Durbin phát triển), sử dụng giá trị hàm tự tương quan tại dộ trễ k rk và hệ số hồi quy của độ trễ trước Phương pháp sử dụng 3 độ trễ đầu tiên : www.themegallery.com... tương quan ACF(AutoCorrelation Function) 2.2.2 Hàm tự tương quan ACF(AutoCorrelation Function) Tự tương quan có thể được định nghĩa là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian hay không gian Hàm tự tương quan do lường phụ thuộc tuyến tính giữa các cặp quan sát y(t) và y(t+k) Với độ trễ k =1,2, hàm tương tự quan tại độ trễ k được xác định qua độ lệch giữa... 2.2 Hàm tự tương quan ACF (AutoCorrelation Function) (tt) Tính rk cho các độ trễ k =1, 2, 3, …, sau đó vẽ biểu đồ ACF của mẫu dữ liệu Biểu đồ có công dụng xác định xem xét hiện tượng dừng của chuỗi để nhận dạng mô hình ARIMA dự định Ví dụ: Giả sử ta có một chuỗi các giá trị đưa vào (42, 59, 35, 66, 37, 58, 49, 63, 52, 45, 36, 50, 43, 39, 52) Khi đó: -Giá trị trung bình mẫu μ = 48.4 -Phương sai mẫu σ2... hàm tự tương quan tại độ trễ 1 vì không có các giá trị trung gian giữa các quan sát kế tiếp : C11 :r1 - Độ trễ 2 : Hai giá trị C22 và C21 được tính dựa vào hàm tự tương quan r2 và r1, cùng với hàm tự tương quan riêng phần trước đó C 22 r2 − C11 r1 = 1 − C11 r1 C 21 = C11 − C 22 C11 - Độ trễ 3: Tương tự, ba giá trị C33, C32 và C31 được tính dựa vào hàm tự tương quan trước r3, r2, r1 cùng với các hệ số