計萍, 宋焱燚

?

一種新的時間序列周期檢測算法

計萍, 宋焱燚

(安徽財經(jīng)大學統(tǒng)計與應用數(shù)學學院, 安徽蚌埠, 233030)

提出了一種SJ周期檢測算法, 利用計算機虛擬了3個序列來評價SJ算法的可行性和需要改進的地方。將SJ算法應用到鐵路客流量數(shù)據(jù)上, 檢測到客流量數(shù)據(jù)存在4、7和26的周期規(guī)律。

時間序列周期; SJ周期檢測算法; 客流量周期

時間序列的周期性檢驗是非常重要的, 對于一些簡單的時間序列, 例如水文序列[1-3]、天氣序列和客流量序列等, 其周期性更是人們關注的焦點。已有的周期檢驗方法有簡單分波法、傅里葉分析法、功率譜分析法、最大熵譜分析法和小波方差法等[4-5]。針對適用于簡單序列的周期檢測，本文將介紹一種新的算法——SJ周期檢測算法。此算法是作者在一次數(shù)據(jù)挖掘競賽(第四屆泰迪杯全國大學生數(shù)據(jù)挖掘競賽B題)中開發(fā)的, 挖掘的目標是“鐵路客流量的分析與預測”, 在分析過程中, 發(fā)現(xiàn)客流量雖然在節(jié)假日發(fā)生突變, 但其仍然具有一定的周期規(guī)律, 于是本文著手于客流量的周期分析, 這也是SJ周期檢測算法的初衷。

1 SJ周期檢測算法原理及模型

SSJ本質上是一種遍歷搜索算法, 由于分析的序列大多為1 d或者1 yr之類的離散性序列, 這使得SJ的周期為整數(shù)而不存在小數(shù)情況。

2 SJ算法的流程及偽代碼

SJ算法的流程[6]如下:

step3. 采用Pearson線性相關系數(shù)作為向量相似性的度量, 計算的各個向量之間的相似性;

SJ算法的偽代碼如下:

begin

end(for)

end(for)

end(for)

end(for)

end(while)

end(begin)

3 SJ的2個實驗

圖1 2個虛擬時間序列(周期為8)

圖2 第1個虛擬時間序列的SJ檢測結果

圖3 第2個虛擬時間序列的SJ檢測結果

4 實例分析

數(shù)據(jù)來源于第四屆泰迪杯全國大學生數(shù)據(jù)挖掘競賽B題整理數(shù)據(jù)[9-10], 是ZD111市2015年1月1日到2016年3月20日共439 d (有7 d的缺失值)的客流量數(shù)據(jù)。其客流量情況如圖4所示, 在360 d用豎線進行標記(1～360是2015全年的情況)。從圖4可以看出, ZD111客流確實具有一定的周期規(guī)律, 且周期約為7 d。

圖4 ZD111市2015/01/01-2016/03/20的客流量

利用adftest對ZD111市的客流量進行平穩(wěn)性檢驗,檢驗結果表明ZD111市的客流量平穩(wěn)。在此基礎上分析序列的自相關和偏自相關[11], 自相關和偏自相關的定義為。

圖5 ZD111客流量的自相關及偏自相關圖

為驗證客流量的周期為7, 利用設計的SJ周期檢驗算法對ZD111的周期進行檢驗。設置初始周期為3, 浮動量為1, 最大周期為30。SJ檢測的結果如圖6所示, 檢測到的ZD111客流量周期為4、7和26, 它們的SJ相似性分別為0.072 6、0.060 7和0.065 2, 3個周期的相似性伴隨概率均小于0.05, 說明相似性顯著。為了研究小周期內(nèi)客流的變化規(guī)律給出3個星期(305～326) ZD111的客流量, 如圖7所示。從圖7可以看出: ZD111客流量以7為周期的變化規(guī)律明顯, 即周期為7。ZD111的客流量在一個星期內(nèi)的變化規(guī)律是周1的客流量最小, 從周1～周5, 客流量逐漸增加, 在周5 (第305 d)時, 客流量最大, 周6會變小, 之后周日又有所增加。

圖6 ZD111客流量的SJ周期檢測結果

圖7 ZD111客流量的3周的客流規(guī)律圖

5 結論

本文指出一種新的周期檢測算法(SJ), 并介紹了其原理、模型、步驟以及偽代碼。用2個簡單周期序列驗證了本算法的準確性。用該算法對某市一段時間內(nèi)的客流量進行了周期分析, 結果顯示, 該市客流量具有7 d的周期, 并得到了一周內(nèi)客流量的變化規(guī)律。

[1] 于浩. 基于時間序列的延河流域水沙周期分析及趨勢預測[D]. 西安: 西北農(nóng)林科技大學, 2008.

[2] 楊華. 水文時間序列周期分析方法的研究[J]. 中國水能及電氣化: 科學研究及工程設計, 2015(5): 63-66.

[3] 楊玲霞, 孫東永, 張莉. R/S在徑流時間序列周期分析中的應用[J]. 人民黃河: 水文·泥沙, 2013(9): 51-52.

[4] 趙利紅. 水文時間序列周期分析方法的研究[D]. 青島: 中國海洋大學, 2007.

[5] 肖志國. 幾種水文時間序列周期分析方法的比較研究[D]. 青島: 中國海洋大學, 2006.

[6] 郁磊, 史峰, 王輝. MATLAB智能算法30個案例分析[M]. 北京: 北京航空航天大學出版社, 2015: 178-182.

[7] 趙海青. 動態(tài)時間序列周期分析預測模型[J]. 鄭州: 鄭州大學, 2002.

[8] 郭龍. 時間序列數(shù)據(jù)的周期性研究[D]. 成都: 電子科技大學, 2013.

[9] 張良均, 楊坦, 肖剛,等. MATLAB數(shù)據(jù)分析與挖掘實戰(zhàn)[M]. 北京: 機械工業(yè)出版社, 2015: 123-129.

[10] 盛驟, 謝氏千, 潘承毅. 概率論與數(shù)理統(tǒng)計[M]. 北京: 高等教育出版社, 2008: 106-108.

[11] 楊桂元, 朱家明. 數(shù)學建模競賽優(yōu)秀論文評析[M]. 合肥: 中國科學技術大學出版社, 2013: 134-146.

(責任編校:劉曉霞)

A period detection algorithm for time series-SJ cycle detection algorithm

Ji Ping, Song Yanyi

(School of statistics and applied mathematics, Anhui Finance and Economics University, Bengbu 233030, China)

A SJ cycle detection algorithm is put forward. Three sequences are used to evaluate the feasibility and disadvantages of SJ algorithm by the use of computer. By SJ algorithm, it is recognized that the cycle of 4, 7 and 26 exists in traffic data.

time series cycle; SJ cycle detection algorithm; traffic cycle

10.3969/j.issn.1672–6146.2017.01.002

P 171.5

A

1672–6146(2017)01–0005–04

計萍, 2474296173@qq.com。

2016-05-27

國家自然科學基金(11301009); 安徽財經(jīng)大學教研項目(acjyzd201429)。