IDL之强大的时间序列自回归预测函数TS_FCAST

15195775117

浏览IDL的demo的时候，发现了一个时间序列预测函数，今天试了下，真香！
我试着用这个预测函数来解决Hilbert-Huang Transform(“希尔伯特-黄”变换)的端点问题
这个端点问题，论文中有用二次拟合法做的，我试了下，似乎不靠谱
这个TS_FCAST函数使用的是p阶自回归模型
上图蓝色为原始序列，红色为预测序列，通过几个例子测试下函数特性：



1、三角函数效果不错





源代码：
t=findgen(181)/180*!pi
x=sin(t)+randomu(s,181);是否加随机数可选
p=180
n=p*2
y=TS_FCAST(x,p,n)
fig=plot([x,y],color='r',sym=24,thick=1)
fig=plot(x,color='b',sym=23,thick=1,/overplot)



2、二次函数，前一半可用，后一半不准



3、绝对值函数：

源代码：
t=findgen(101)-50
x=abs(t)
p=100
n=p
y=TS_FCAST(x,p,n)
fig=plot([x,y],color='r',sym=24,thick=1)
fig=plot(x,color='b',sym=23,thick=1,/overplot)



应用注意事项：
自回归方法的优点是所需资料不多，可用自身变数数列来进行预测。但是这种方法受到一定的限制：必须具有自相关，自相关系数是关键。如果自相关系数小于0.5，则不宜采用，否则预测结果极不准确。
IDL中自相关系数： A_CORRELATE(X, Lag)(Lag表示滞后)
自相关分析涉及时间序列知识，包括平稳性分析等，已经丢了，后面再补补