区间预测 | Matlab实现ARIMA-KDE的时间序列结合核密度估计区间预测

效果一览

基本介绍

1.Matlab实现ARIMA-KDE的时间序列结合核密度估计区间预测，ARIMA的核密度估计下置信区间预测。
2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(MAE、MAPE、RMSE、 MBE、R2),单个变量时间序列区间预测。
3.运行环境为Matlab2018b及以上；
4.单个变量时间序列区间预测；
5.data为数据集，ARIMA_KDE.m为主程序，运行即可,所有文件放在一个文件夹。

程序设计

• 完整程序和数据获取方式：私信博主回复Matlab实现ARIMA-KDE的时间序列结合核密度估计区间预测。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行clc;clear;
warning off all
data=xlsread('data.xlsx');
%预报步长
step=6;
TempData=data;output=data;
%去趋势线
TempData=detrend(TempData);  
%趋势函数
TrendData=data-TempData;
%差分，平稳化时间序列
[H,PValue,TestStat,CriticalValue] = adftest(TempData);
difftime=0;
SaveDiffData=[];
while ~H%差分，平稳化时间序列SaveDiffData=[SaveDiffData,TempData(1,1)];TempData=diff(TempData);%差分次数difftime=difftime+1;%adf检验，判断时间序列是否平稳化[H,PValue,TestStat,CriticalValue] = adftest(TempData);
end
%模型定阶或识别
test = [];
%自回归对应PACF,给定滞后长度上限p和q
for p = 0:5 %移动平均对应ACFfor q = 0:5if(p + q ~= 0) m = armax(TempData,[p q]);%armax(p,q),计算AICAIC = aic(m);  test = [test;p q AIC];endend
end
for k = 1:size(test,1)%选择AIC值最小的模型if test(k,3) == min(test(:,3)) p_test = test(k,1);q_test = test(k,2);break;end
end
%armax(p,q),[p_test q_test]对应AIC值最小
m   = armax(TempData,[p_test q_test]);       
ARIMA_Predict   = predict(m,TempData,step);
ARIMA_Forcast   = forecast(m,TempData,step);
PreR=[ARIMA_Predict' ARIMA_Forcast'];
%还原差分
if size(SaveDiffData,2)~=0for index=size(SaveDiffData,2):-1:1%差分还原PreR=cumsum([SaveDiffData(index),PreR]);end
end

参考资料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501