畢釗 侯勝利

摘要：采用時間序列SARIMA模型對航材需求進(jìn)行預(yù)測，以2010～2014年某航材實際月需求量數(shù)據(jù)為基礎(chǔ)，運用R語言對航材需求量時間序列進(jìn)行了穩(wěn)定性判別;通過定階和參數(shù)估計，構(gòu)建了航材需求預(yù)測模型，并進(jìn)行了數(shù)據(jù)預(yù)測。結(jié)果顯示使用SARIMA模型擬合效果較好，預(yù)測能力可靠，能為航材部門需求預(yù)測提供準(zhǔn)確方便的方法。

Abstract： The time series SARIMA model is used to predict the demand for aircraft spareparts. Based on the actual monthly demand data of a certain material in 2010～2014， the R language is used to judge the stability of the time series of aircraft spareparts. Through the order and parameter estimation，the aircraft spareparts demand forecasting model was constructed and the data prediction was carried out. The results show that the SARIMA model has a good fitting effect and reliable prediction ability， which can provide accurate and convenient methods for demand forecasting of the aerial material sectors.

關(guān)鍵詞：R語言;時間序列;SARIMA模型;需求預(yù)測

Key words： R language;time series;SARIMA model;demand forecasting

中圖分類號：F726;F224 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2019）15-0151-04

0 ?引言

航材保障系統(tǒng)中，航材需求量的預(yù)測是平衡航材消耗和庫存的關(guān)鍵。做好航材需求量的分析工作，不僅可以提高場站航材股保障機(jī)務(wù)部門的水平，還能為航材訂貨計劃的制定提供有力依據(jù)?？紤]到航材供應(yīng)方式和器材設(shè)備故障的特點，航材的需求適宜采用時間序列法預(yù)測，而利用時間序列SARIMA模型，能綜合考慮季節(jié)、趨勢和隨機(jī)干擾多方面因素，對于短期預(yù)測有較好效果[1]。

本文采用的工具是免費的R軟件，它有許多擴(kuò)展包（Packages）可以增強(qiáng)其廣泛的實用性，其中就有非常豐富的時間序列分析函數(shù)和程序包，來幫助我們對時間序列數(shù)據(jù)進(jìn)行實驗和研究。利用R語言軟件選擇最優(yōu)模型，提高航材需求預(yù)測的準(zhǔn)確性。

1 ?SARIMA模型算法

在自然界中，時間序列的四種因素長期趨勢、季節(jié)變動、循環(huán)波動和隨機(jī)干擾之間往往存在著復(fù)雜的相互作用關(guān)系，使用ARIMA模型很難擬合序列的發(fā)展，因此需要建立SARIMA模型，其構(gòu)造原理如下：

對于只包含趨勢性的非平穩(wěn)時間序列，經(jīng)過適當(dāng)?shù)闹鹌诓罘窒厔萦绊懞?，再對形成的新的平穩(wěn)序列建立ARMA（p，q）模型提取時間序列的相關(guān)性。

若原時間序列同時包含趨勢性和季節(jié)性變化時，季節(jié)效應(yīng)本身也具有相關(guān)性，因此季節(jié)相關(guān)性的提取可以使用以周期步長為單位的ARMA（P，Q）模型。

乘積模型是假定多因素對序列發(fā)展的影響是相互作用的，用于相對數(shù)總變量的計算。所以擬合模型實質(zhì)為ARMA（p，q）和ARMA（P，Q）的乘積，即時間序列的短期相關(guān)性和季節(jié)效應(yīng)相乘。結(jié)合使序列平穩(wěn)化的d階趨勢差分和D階S步季節(jié)差分運算，原觀察值序列擬合的SARIMA模型完整結(jié)構(gòu)如下：

該可乘季節(jié)模型一般也可以用ARIMA（p，d，q）×（P，D，Q）S來表示，當(dāng)P=D=Q=0時，就是簡單的ARIMA模型[2]。

2 ?航材需求時間序列數(shù)據(jù)分析

本文根據(jù)文獻(xiàn)[3]中的某航材2010年1月到2014年12月需求量數(shù)據(jù)（表1）建立模型。利用R語言及plot指令作出航材需求量Y的時間序列圖（圖1）。

時間序列分為平穩(wěn)時間序列和非平穩(wěn)時間序列，在分析航材需求歷史數(shù)據(jù)時一般會是具有趨勢性和季節(jié)性的非平穩(wěn)時間序列。由圖1可以看出航材需求時間序列有明顯的年周期性規(guī)律，為提取定量化的季節(jié)信息，構(gòu)造季節(jié)指數(shù)來表示衡量季節(jié)變動，即用簡單平均法計算周期內(nèi)各時期季節(jié)性影響的相對數(shù)。如季節(jié)指數(shù)為124%，就表明該季度的需求量通常高于年平均數(shù)24%;若季節(jié)指數(shù)為67%，就表明該季度的值通常低于年平均數(shù)33%。

為了直觀清楚地分析時間序列的趨勢起伏變動和季節(jié)效應(yīng)，我們可以使用R語言中的“decompose（）”函數(shù)。該函數(shù)既能根據(jù)需要對時間序列的某個因素進(jìn)行深入考察或單獨使用，也可以直接讓R提供信息集成顯示和圖形集成輸出。在確定性影響因素很顯著時，選擇合適的確定性模型通常會得到非常不錯的分析預(yù)測效果。

圖2所示，將時間序列分解后的圖形分別為：原始的時間序列圖（頂部），估計出的趨勢部分圖（第二部分），估計出的季節(jié)性部分（第三部分）和估計的隨機(jī)波動部分（底部）。根據(jù)圖中的信息，季節(jié)效應(yīng)和趨勢效應(yīng)共同導(dǎo)致的序列非平穩(wěn)，因此選擇相應(yīng)的模型進(jìn)行分析預(yù)測，這里采用SARIMA模型進(jìn)行建模。

3 ?基于R的SARIMA航材需求預(yù)測

3.1 序列平穩(wěn)化

所謂平穩(wěn)，簡單的說，就是統(tǒng)計特性（mean，variance，correlation等）不會隨著時間而變化。時間序列分析的數(shù)據(jù)結(jié)構(gòu)有它的特殊性，由于時間的不可重復(fù)性，任一時刻只能獲得唯一的樣本觀察值。由于樣本信息太少，如果沒有其他的輔助信息，通常沒有辦法進(jìn)行分析，因此要對時間序列平穩(wěn)化[4]。

有很多方法來平穩(wěn)數(shù)據(jù)，根據(jù)圖2所得的信息，用“diff”語句進(jìn)行一階12步季節(jié)差分消除時間序列趨勢和季節(jié)影響，得到了一個近似平穩(wěn)的隨機(jī)序列（圖3）。

圖中2011年10月的數(shù)據(jù)明顯異常，其他數(shù)據(jù)基本趨于平穩(wěn)。采用R語言中的KPSS檢驗，一階12步季節(jié)差分后的時間序列KPSS檢驗P值大于0.1，不能拒絕差分序列是平穩(wěn)的。

3.2 模型定階與參數(shù)估計

根據(jù)逐次差分的次數(shù)和季節(jié)差分的階數(shù)，初步確定d=1，D=1，s=12。分別用“acf”和“pacf”語句畫出自相關(guān)圖（圖4）和偏自相關(guān)圖（圖5）。

由圖可知，差分后的序列自相關(guān)系數(shù)二階截尾，而偏自相關(guān)系數(shù)三階截尾。初步確定p=3，q=2。再考慮季節(jié)自相關(guān)特征，延遲12階、24階等以周期長度為單位的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)拖尾。所以P、Q只能采取0、1、2從低階到高階逐個嘗試的辦法，一般P和Q都取1[5]。根據(jù)模型參數(shù)檢驗結(jié)果對模型反復(fù)調(diào)試和檢驗確定最優(yōu)模型（表2）。

備選SARIMA模型中考慮估計值方差最小，對數(shù)似然值最大，AIC和BIC值最小的模型。綜合比較，選擇模型ARIMA（0，1，2）×（1，1，1）12時最好。

也可以使用auto.arima函數(shù)自動定p，d，q，P，D，Q等參數(shù)[6]。auto.arima給出的建議是ARIMA（0，0，0）×（1，1，0）12 with drift，其AIC值為228.29，估計值方差為6.109。

分別對兩種模型進(jìn)行擬合，利用極大似然法估計模型參數(shù)。

arima1<-Arima（x，order=c（0，1，2），seasonal=list（order=c（1，1，1），period=12））

arima2<-Arima（x，order=c（0，0，0），seasonal=list（order=c（1，1，0），period=12）， include.drift=T）

可以得出兩種模型的參數(shù)都顯著非零。用“Box.test”語句“Ljung-Box”統(tǒng)計量對模型的殘差值進(jìn)行白噪聲檢驗，各階延遲下P值都大于0.05，表明模型殘差沒有明顯的自相關(guān)性。從殘差時序圖中也可觀察到2011年10月的殘差較大。

3.3 數(shù)據(jù)預(yù)測

我們采用auto.arima自動擬合得到的模型進(jìn)行預(yù)測。R語言的forecast擴(kuò)展包有許多函數(shù)能完成預(yù)測工作。利用時序交叉驗證的方法，即利用逐漸增加長度的訓(xùn)練集來預(yù)測未來固定長度的測試集，最后將多次交叉驗證的模型評價指標(biāo)取平均數(shù)，得到5種對測試集的預(yù)測精度的度量（圖6），除了MPE其他的精度度量大體上有類似的趨勢，且都穩(wěn)定在比較的小范圍內(nèi)。

利用x.fore<-forecast（arima2，h=12）語句，預(yù)測2015年1-12月的航材需求量，同時繪制相關(guān)圖表見表3和圖7。從圖中可以看出原序列與模擬序列擬合效果較好，SARIMA模型可以充分挖掘時間序列信息，比較精準(zhǔn)地預(yù)測航材需求量。

4 ?結(jié)束語

以上是對某航材月需求量數(shù)據(jù)進(jìn)行分析研究，主要使用基于R語言的時間序列分析方法。通過趨勢差分和季節(jié)性差分，將時間序列進(jìn)行平穩(wěn)化處理，充分考慮季節(jié)效應(yīng)相關(guān)性和其它因素對航材需求的影響，建立SARIMA模型。對于大多數(shù)消耗件的需求量時間序列而言，各種因素是相對確定的，因此在一段時期內(nèi)，可以大致認(rèn)為相關(guān)因素對預(yù)測對象的影響及其自身的變化趨勢是有規(guī)律性的，時間序列預(yù)測是在長期的實際情況下達(dá)到平衡狀態(tài)時做出預(yù)測。SARIMA模型可充分利用數(shù)據(jù)的滯后項及殘差，提取歷史數(shù)據(jù)中隨機(jī)性較強(qiáng)不易提取的確定性因素，對未來航材需求做短期預(yù)測的預(yù)測誤差較小，符合航材的實際需求。通過R軟件可以輕松實現(xiàn)模型的估計、檢驗和擬合，既方便又實用。

參考文獻(xiàn)：

[1]劉峰，朱妮，邱琳，等.ARIMA乘積季節(jié)模型在陜西省手足口病預(yù)測中的應(yīng)用[J].中華流行病學(xué)雜志，2016，37（8）：1117-1120.

[2]王燕.時間序列分析：基于R[M].北京：中華人民大學(xué)出版社，2015：158-160.

[3]劉信斌，沐愛琴，辛安，等.基于ARIMA模型的航材需求預(yù)測[J].價值工程，2016，35（24）：250-251.

[4]施怡.基于R語言ARIMA模型的全國碩士研究生報名人數(shù)預(yù)測研究[J].電腦知識與技術(shù)，2018，14（8）：212-214.

[5]王立志，龔瑋.淺談平穩(wěn)時間序列的定階及參數(shù)估計問題[J].重慶通信學(xué)院學(xué)報，2012，31（6）：112-115.

[6]吳喜之，劉苗.應(yīng)用時間序列分析[M].北京：機(jī)械工業(yè)出版社，2018：31-37.