時元寧 （青海大學， 青海 西寧 810016）

關(guān)鍵詞： Hadoop平臺; 大數(shù)據(jù); 時間序列; 消費額度; ARIMA模型; 對數(shù)轉(zhuǎn)換

中圖分類號： TN919?34; F713 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2018）24?0146?03

Consumer credit estimation model based on big data analysis

SHI Yuanning

（Qinghai University， Xining 810016， China）

Abstract： The consumer credit estimation model based on the seasonal autoregressive integrated moving average （SARIMA） estimates consumer credits without combining with the big data method， and uses unscientific data， resulting in inaccuracy of the obtained consumer credit estimation results. Therefore， a consumer credit estimation model based on big data analysis and autoregressive integrated moving average （ARIMA） is designed. Preliminary analysis for big data of the past consumer credits is obtained by using the Hadoop platform， so as to construct the time series of the past total consumptions. The first?order difference， seasonal difference， and logarithmic transformation method are used to obtain a stationary time series. The ARIMA model is used to analyze the time series， so as to construct the ARIMA consumer credit estimation model based on big data analysis. The mean absolute percentage error （MAPE） measurement model is used to verify the estimation capability of the designed model， so as to ensure that the model can accurately estimate consumer credits. The experimental results show that the designed model has a consumer credit estimation accuracy as high as 99.7%， which can be used for accurate estimation of consumer credits.

Keywords： Hadoop platform; big data; time series; consumer credit; ARIMA model; logarithmic transformation

0 ?引 ?言

國家對經(jīng)濟進行宏觀調(diào)控過程中，需要未來經(jīng)濟發(fā)展的預測值作為調(diào)控的依據(jù)。文獻[1]描述的基于消費彈性系數(shù)法消費額度估計模型在估計消費額度過程中，僅可以研究兩個變量之間的關(guān)系，難以顧及其他變量的干擾，導致估計值不準確;文獻[2]采用的SARIMA（Seasonal Autoregressive Integrated Moving Average）消費額度估計模型對于消費額度的估計，未對構(gòu)建模型的估計能力進行檢驗，獲取的估計結(jié)果精確度較低;文獻[3]中基于ARIMA模型的消費額度估計方法，未結(jié)合大數(shù)據(jù)的優(yōu)勢進行消費額度預測，采用的分析數(shù)據(jù)缺乏一定的科學依據(jù)，獲取的估計結(jié)果存在局限性。針對上述傳統(tǒng)消費額度估計模型的缺點，本文構(gòu)建基于大數(shù)據(jù)分析的ARIMA的消費額度估計模型[4]。在大數(shù)據(jù)分析的基礎上，結(jié)合ARIMA模型進行消費額度估計，并對構(gòu)建的消費額度估計模型的估計能力進行檢驗，確保在估計模型能力極佳的情況下，對未來的消費額度進行估計[5]。

1 ?基于大數(shù)據(jù)分析的ARIMA消費額度估計模型的構(gòu)建

1.1 ?采用ARIMA模型獲取消費額度的時間序列估計結(jié)果

ARIMA模型全稱為自回歸積分滑動平均模型（Autoregressive Integrated Moving Average Model，ARIMA），用于時間序列的估計與分析，ARIMA模型中，自回歸用AR表示，求和用I表示，移動平均用MA表示。ARIMA模型應用范圍廣，能夠獲取科學、可靠的時間序列估計結(jié)果[6]。從季節(jié)性角度出發(fā)，構(gòu)建時間序列模型簡記為：

[ARIMA（n，b，m）×（N，B，M）s] （1）

式中：自回歸項用n表示;移動平均項數(shù)用m表示;經(jīng)過b次差分時間序列趨于穩(wěn)定;季節(jié)模型的自回歸階數(shù)用N描述;季節(jié)模型的移動平均階數(shù)用M描述;季節(jié)差分的階數(shù)用B描述。

1.2 ?時間序列平穩(wěn)性檢驗與處理

結(jié)合以往消費額度大數(shù)據(jù)的初步分析結(jié)果，在SAS軟件上描繪消費額度大數(shù)據(jù)時間序列圖，對時間序列進行平穩(wěn)化處理。

首先，采用一階差分的方法檢測時間序列中的初始序列遞增信息，去除時間序列中的趨勢性[8];然后，在此基礎上進行季節(jié)性差分;最后，采用對數(shù)轉(zhuǎn)換的方法進行再次處理，徹底清除時間序列中的季節(jié)性與趨勢性。

1.3 ?確定ARIMA消費額度估計模型

首先，根據(jù)平穩(wěn)性時間序列的自相關(guān)圖和偏自相關(guān)圖。在[ARIMA（n，b，m）×（N，B，M）s]基礎上，結(jié)合以往消費額度大數(shù)據(jù)，將實際值代入式（1）中，結(jié)合實際的消費額度大數(shù)據(jù)，構(gòu)建具體的ARIMA消費額度估計模型。并對該模型進行擬合，不同的數(shù)據(jù)代入模型中會形成不同的擬合結(jié)果。接著采用參數(shù)顯著性檢驗方法與殘差白噪音檢驗方法對ARIMA模型的參數(shù)實施檢驗[9]。當ARIMA模型的參數(shù)檢驗結(jié)果符合標準時，可接受該模型進行時間序列的估計與分析。

1.4 ?模型的估計能力檢驗

為獲取精確的消費額度估計結(jié)果，首先對ARIMA消費額度估計模型進行估計能力驗證，合格后再進行消費額度估計。采用相對百分誤差絕對值的平均值MAPE（Mean Absolute Percentage Error）衡量模型的預測能力[10]，MAPE的的計算公式為：

[MAPE=1pi=1pyi-yiyi×100%] （2）

式中：模型的預測值用[yi]描述;實際值用[yi]描述;預測期數(shù)用[p]描述。當MAPE值在0～10%之間時，模型的估計能力最優(yōu);當MAPE值在10%～20%之間時，模型的估計能力較優(yōu);當MAPE值在20%～50%之間時，模型的估計能力合格;當MAPE值大于50%時，模型的估計能力存在誤差。根據(jù)這一標準，對ARIMA消費額度估計模型進行估計能力檢驗，當所構(gòu)建的ARIMA消費額度估計模型的MAPE值在10%～20%之間時，可采用此模型進行消費額度估計。

2 ?實驗分析

2.1 ?有效性分析

為驗證本文模型的有效性，采用本文模型進行消費額度估計。根據(jù)國家統(tǒng)計局統(tǒng)計結(jié)果可知，2006—2016年各年的消費總額數(shù)據(jù)如圖1所示，實驗在分析該組數(shù)據(jù)的基礎上，對2017年12個月份的消費總額進行估計。

本文模型對2017年12個月份的消費總額估計的過程中，一階差分后的時序圖如圖2所示。分析該圖可得采用本文模型獲取的時間序列變化平穩(wěn)，未出現(xiàn)明顯的波動趨勢，說明本文模型能夠獲取平穩(wěn)性時間序列。

表1為采用本文模型得到的2017年12個月份消費額度估計結(jié)果。分析該表中的數(shù)據(jù)能夠得出，采用本文模型能夠根據(jù)以往的消費總額數(shù)據(jù)獲取未來的消費額度估計結(jié)果，驗證了本文模型的有效性。

2.2 ?估計準確度分析

為突出本文模型在估計消費額度方面的準確度優(yōu)勢，進行仿真實驗。實驗在Windows 8操作系統(tǒng)，4 GB內(nèi)存的硬件配置下進行，利用Matlab軟件實現(xiàn)仿真實驗。對本文模型、基于消費彈性系數(shù)法消費額度估計模型和SARIMA消費額度估計模型的估計準確度進行對比，具體的實驗方法為：根據(jù)2008—2015年的消費總額，對2016年1—5月份的消費額度進行估計，實驗分10次展開，取10次準確度的平均值，將其制成柱狀圖，如圖3所示。

分析圖3能夠明顯看出三種模型進行消費額度估計的準確度情況。SARIMA消費額度估計模型對2016年1—5月份的消費額度估計準確度均值分別為：98.1%，95.9%，96.1%，97.7%，95.7%，該模型在1月份、4月份出現(xiàn)準確度峰值，分別為98.1%，97.7%，另外三個月份的準確率在96%左右，總體看來，該模型的準確度較低，且波動性大、穩(wěn)定性較差?；谙M彈性系數(shù)法消費額度估計模型對2016年1—5月份的消費額度估計準確度均值分別為：98.2%，97.8%，98.4%，98.3%，98.3%，該模型的準確度基本穩(wěn)定在98%上下，準確度較高，穩(wěn)定性較強。本文模型對2016年1—5月份的消費額度估計準確度均值分別為：99.8%，99.9%，99.7%，99.6%，99.6%，準確度均值高達99.7%。通過數(shù)據(jù)能看出，本文模型的準確度遠遠高于另外兩種模型，且穩(wěn)定性較強。實驗結(jié)果表明，本文模型進行消費額度估計的準確度高達99.7%，具有準確度高的優(yōu)勢。

3 ?結(jié) ?論

本文構(gòu)建基于大數(shù)據(jù)分析的ARIMA的消費額度估計模型，采用大數(shù)據(jù)分析方法對以往消費總額數(shù)據(jù)進行初步分析，在此基礎上構(gòu)建平穩(wěn)性時間序列，采用ARIMA模型對時間序列進行分析，并對構(gòu)建的ARIMA消費額度估計模型的估計能力進行檢驗，確保估計能力符合標準，實現(xiàn)對未來消費額度的準確估計。經(jīng)過實驗驗證，本文模型的估計誤差僅約為0.05%，遠遠低于其他估計模型;本文模型的估計準確度高達99.7%，相對其他估計模型具有準確度高的優(yōu)勢。所設計的模型能夠準確估計未來消費額度，為國家經(jīng)濟宏觀調(diào)控提供了有效依據(jù)。

參考文獻

[1] 劉衛(wèi)東，仲偉周，石清.2020年中國能源消費總量預測：基于定基能源消費彈性系數(shù)法[J].資源科學，2016，38（4）：658?664.

LIU Weidong， ZHONG Weizhou， SHI Qing. Forecast of China′s total energy consumption in 2020 based on method of fixed base energy consumption elasticity coefficient [J]. Resources science， 2016， 38（4）： 658?664.

[2] 張麗，?；莘?基于SARIMA模型的居民消費價格指數(shù)預測分析[J].數(shù)理統(tǒng)計與管理，2013，32（1）：1?6.

ZHANG Li， NIU Huifang. The predictive analysis of consumer price index based on SARIMA model [J]. Application of statistics and management， 2013， 32（1）： 1?6.

[3] 桂梅，劉蓮花.基于ARIMA模型對海南省社會消費品零售總額的預測[J].數(shù)學的實踐與認識，2017，47（3）：25?30.

GUI Mei， LIU Lianhua. Prediction of the total retail sales of consumer goods based on the ARIMA model [J]. Mathematics in practice and theory， 2017， 47（3）： 25?30.

[4] 李敏波，王海鵬，陳松奎，等.工業(yè)大數(shù)據(jù)分析技術(shù)與輪胎銷售數(shù)據(jù)預測[J].計算機工程與應用，2017，53（11）：100?109.

LI Minbo， WANG Haipeng， CHEN Songkui， et al. Data analysis of industrial big data and sales forecast of tyre industry [J]. Computer engineering and applications， 2017， 53（11）： 100?109.

[5] 王娜.基于大數(shù)據(jù)的碳價預測[J].統(tǒng)計研究，2016， 33（11）：56?62.

WANG Na. Forecasting of carbon price based on big data [J]. Statistical research， 2016， 33（11）： 56?62.

[6] 艾兵，董明剛.基于誤差校正的能源消費總量預測方法[J].桂林理工大學學報，2016，36（2）：388?394.

AI Bing， DONG Minggang. Prediction method of total energy consumption based on error adjustment [J]. Journal of Guilin University of Technology， 2016， 36（2）： 388?394.

[7] 龍映宏，李布明.關(guān)于旅游消費者購買指數(shù)預測建模仿真研究[J].計算機仿真，2015，32（12）：455?458.

LONG Yinghong， LI Buming. Modeling and simulation of purchase index prediction for tourism consumers [J]. Computer simulation， 2015， 32（12）： 455?458.

[8] ZHAO Y， LUO X， DENG L. A CBR?based and MAHP?based customer value prediction model for new product development [J]. The scientific world journal， 2014， 2014： 1?18.

[9] 蔣輝，張波.支持向量回歸特征提取的ARMA準則：中國社會消費品零售總額預測的實證研究[J].統(tǒng)計與信息論壇，2012，27（7）：3?7.

JIANG Hui， ZHANG Bo. ARMA criterion of feature extraction in support vector regression： empirical research of our national social total retail sales of consumer goods prediction [J]. Statistics & information forum， 2012， 27（7）： 3?7.

[10] ONOYAMA H， RYU C， SUGURI M， et al. Nitrogen prediction model of rice plant at panicle initiation stage using ground?based hyperspectral imaging： growing degree?days integrated model [J]. Precision agriculture， 2015， 16（5）： 558?570.