河北工程大学 河北省 056107
摘要
对于自身在建模过程中的分析后,考虑到评价的客观性,决定以基于熵权法的Topsis的模型利用TOPSIS法,根据这两种预测方法指标对应的指数,对平稳R2、R2、RMSE、MAPE、MaxAPE、MAE、MaxAE,正态化BIC的权重和排序进行了检验和计算。
关键词:TOPSIS法,正态化,检验计算
一、指标数据 表1:两种预测方法指标的数据 | |||||||||||||||||||||||||||
|
二、 数据预处理
考虑到数据差异较大,首先对数据进行预处理,统一指标类型,消除不同指标维度对后续计算的影响。预处理过程如下:
| (1) |
表 2:预处理数据 | |||||||||||||||||||||||||||
|
三、熵权法确定权重
由于各指标对预测准确性检验的影响程度不同,本文采用熵权法计算权重,比德尔菲法、层次分析法等主观评价方法要高价值观方法上,熵权法更为客观,也能更好地解释结果,其使用的是信息的差异性赋权,因此我们根据上述预处理结果确定权重,作为确定权重的依据,然后对新事物进行分析。具体流程如下:
计算比例 的索引值 中的项目 TH指数:
| (2) |
熵值 的 计算TH指数:
| (3) |
熵值 的 计算TH指数:
| (4) |
据此,平稳R2、R2、RMSE、MAPE、MaxAPE、MAE、MaxAE、正太化BIC的权重分别为: =(0.039,0.152,0.131,0.201,0.227,0.017,0.215,0.015)
(3)计算分数和排名
根据上述步骤得到的数据,我们直接使用加权标准化矩阵来计算得分和排名。具体计算步骤如下:
确定最优向量 最坏的向量 , 是同一评价指标的最大归一化值, 是同一评价指标的最小归一化值:
=(0.734 0.759 0.755 0.766 0.770 0.725 0.768 0.724)
=(0.679 0.651 0.655 0.642 0.638 0.689 0.640 0.689)
其中:
计算四个指标与四个不同国家的加权欧氏距离,并计算每个指标的最终得分。处理过程如下:
| (5) |
简单季节性模型和季节性ARIMA模型模型得分计算如下,以向量形式表示: S=( 0.5044 0.4956),由得分可以看出,季节性ARIMA模型分数略微高。
通过基于熵权法的TOPSIS模型,对原始数据进行了归一化处理,消除了不同指标维度对数据的影响。评分结果充分利用了原始数据信息,定量反映了不同评价单元的重要性,更加直观可靠.
根据以上分析计算,本次对预测优劣评定的8个指标中MaxAPE所占权重较大,其次是MaxAE、MAPE而正太化BIC的比重很小,说明我MaxAPE、MaxAE、MAPE对预测结果影响很大。结合两种模型的白噪声检验,不难看出,季节性ARIMA模型对本次预测较为优秀,在各种评价指标方面十分良好,但其缺点在于剔除个别的离群数据,这使得它在数据的全面、可靠、完整性方面略有欠缺; 而简单季节性模型基于完整的原始数据,这使得它在数据采集方面好于季节性ARIMA模型,但是它在白噪声检验以及Q检验的显著性方面要差一些。
四、模型的评价
1. 采用平均值法、中值法和蒙特卡洛模拟法等多种建模方法,分别对不同的问题进行建模,形成一个完整的模型系统,为问题的求解提供科学的支持。
2. 使用PBIAS模型与R2模型作为模型评价指标,根据ACF,PACF图结合P检验进一步分析,采用基于熵权法的Topsis的模型比较不同预测方法的优劣,极大提高了评价的客观性。
3. 评分结果充分利用了原始数据信息,定量反映了不同评价单元的重要性,更加直观可靠。
4. SCS模型结构简单,能够综合土壤类型、土壤湿度与土地利用情况等多种变量,对下垫面进行产流能力的评估与产流量的预测。本文基于NS系数与留一交叉验证法,对SCS模型中的关键参数CN值的测定与率定提出了一套新的办法。此方法有助于提高 SCS 模型在我国的适用性。
5. 使用spss软件中的专家建模器,自动查找每个相依序列的最佳拟合模型,为ARIMA模型中的内容选择了与该相依序列具有统计显著关系的模型。
6. 未来12期预测值仍存在同前一样的周期性,真实数据和拟合数据的时序图几乎重合,简单季节模型对原数据拟合的效果很好。
7. 预测数据既保留了原始序列的季节效应,也同时具有向上的线性趋势,表明温特加法模型能不错的对该产品的销量数据进行预测。
8. 对问题一使用的蒙特卡洛模拟,其优点有:方法的误差与问题的维数无关;对于具有统计性质问题可以直接进行解决;对于连续性的问题不必进行离散化处理。并且它的实用性强,可以针对任何所给同类型数据寻找最优值。最为重要的是,它利用中位数法求得的结果作为产生正态分布随机数的均值,这使得它在寻找最优值的过程中更加精准。
9. 对于问题二所采用的时间序列模型,它很好的符合数据本身具有的季节性。ARIMA(0,0,0)(0,1,1)模型在ARIMA模型的基础上增添了季节性的影响,而且从它预测结束后的评价指标来看,完美的符合我们所需要的。
五、模型的改进与推广
考虑到简单季节模型存在白噪声的影响,并且在剔除离群值后使用的季节性ARIMA模型存在原始数据不完整的影响。决定对原有数据使用交叉验证方式,即将原始数据随机分为两组,一组做为训练集,一组做为验证集,利用训练组得到的预测结果,与验证集进行比较,最终可以得到较好的预测结果,并且不存在原始数据的剔除。