基于时间序列分解法的摩拜单车未来发展预测和评价
2019-12-17
(天津工业大学经济与管理学院 天津 300380)
一、引言
(一)时间序列分析与预测
时间序列是一组记录在给定时间序列中的数据。注意,时间可以是一年,一季度,一个月,或任何其他形式。由于时间序列中前后数据具有相关性,所以时间序列往往呈现出某种规律性变化,因此时间序列里可以挖掘到许多形式的信息。改变时间序列可能会影响一个或多个因素,临时序列成分包括以下四个方面:(1)长趋势,长趋势是改变临时序列的趋势在很长的一段时间内,我们可以看到时间序列的变化是否有显著的趋势。(2))季节变动,月份变动图是指时间序列在一年中呈现的以年为周期的上升或下降,并且每年如此。(3)修正循环,是时间序列中不定长度的暂时变化。(4)不规则犹豫,在时间序列中,在消除季节性和周期性变化后,剩余的变异性是不可预测的。
时间序列预测方法的选择通常取决于历史数据的变化模式,以及获取到的历史数据的多少。分析时间序列的优点是不需要影响数据源,以及环境,传递的信息足够建模了。时间序列分析看起来也像回归分析。回归分析的目的是为因变量和自变量之间的关系建模;以及自变量用于预测因变量,时间序列分析使用自变量预测未来值。
(二)数据来源
本文的研究背景是一家摩拜共享单车企业,摩拜共享单车在我们的日常生活中随处可见,和我们的日常生活密不可分。通过对摩拜共享单车投放量数据进行分析预测,可以帮助摩拜共享单车企业来制定来年的生产计划。本文的数据选取该企业2013年度到2018年度的摩拜共享单车投放量数据,其中2018年第四季度数据尚未采集完全。
(三)成分的分离
位置预测每个时间序列成分的分布,然后预测它。是适合趋势预测等预测序列的经典方法。由于本次研究采集到的数据中含有季节性趋势以及消费上涨趋势,所以采用时间序列分解法进行预测。
通过对2013-2018年度投放量数据进行时间序列图建模可以看出,该数据具有季节性趋势,因此首先需要将季节因子从时间序列中分离出去,即用序列的每一个观测值除以相应的季节指数,然后再对模型进行预测。利用SPSS软件对2013-2018年度销售量数据进行季节性分解,得到投放量分解图。
通过对分解图进行分析可以看出,2013到2018年度的投放量是以季节为周期,呈现出一定规律的波动。在季节性波动中,从每年的第一季度开始,投放量逐渐递增,到第二季度和第三季度之间的时候达到峰值,并逐渐开始递减,在第四季度的时候达到最低点。建立季节因子调整后的投放量和原始投放量的时间序列图,从图中可以明显的看出,在分解出季节因子以后,调整后的时间序列具有不断向上增加的趋势。造成此现象的原因是随着市场经济的发展,市场的需求不断在增加,另外由于该企业的品牌效应,所以引起投放量的趋势在不断增长。
图2-4 季节分解后的趋势和循环图
图2-5 排除季节趋势的预测图
(四)趋势预测
建立季节调整后的趋势和循环图,可以得到如图2-4所示的投放量时间序列图,可以明显的看出,经过季节调整后,该企业的摩拜单车投放数据呈现出线性趋势,基于最小二乘法,线性趋势方程Y=126.412+1.694t由时间序列图定义的回归预测和图2-2所示的趋势预测提供了在排除季节因子的条件下,该企业的摩拜单车投放量呈现出逐渐上升的趋势。
(五)摩拜单车投放量预测
综合上述的数据分析,可以得到该企业的摩拜共享单车投放量受到明显的季节趋势的影响,于此同时,随着市场经济环境的变化,人民的生活水平不断增长,投放量也在不断增长。运用SPSS软件对该企业的摩拜共享单车投放数据进行预测见表2-6,2019年开放如图2-7所示,我们看到,2019年度中,第一季度的投放量缓慢增加,到第二季度时,开始急剧增长,第三季度时达到峰值,由第三季度开始逐渐下降。
基于开始投放数据和预估数据的时间序列图2-8可以看出,预估后的数据和原始的投放量数值匹配度非常好,因此该模型可以用来预测投放量,进而为该企业2019年的投放量提供参考。
表2-6 2019年度摩拜共享单车投放量预测图
图2-7 单车投放量的预测图
图2-8 单车投放数据预测时间序列图
三、总结
时间序列扩展预测方法广泛应用于经济分析、产品和价格制定、住宅保护、旅游流和疾病和其他领域,并不断利用时间序列展开的方法来预测未来某一时间的摩拜共享单车投放量。这不仅可以缓解长期变化趋势,而且可以在一定程度上去除季节改变的影响。综合上述的分析预测过程可以看出,对于该企业的共享单车投放数据预测数据和原始的投放数据拟合程度很好,可以为该企业2019年度的投放做出预测,在2019年度第一季度开始,适当增加产量,从第二季度开始,加大产量的投入,从第三季度开始,逐渐减少产量。2013到2018年各季度的投放数据不仅映射出社会现期的使用水平,也能映射出未来使用的发展潜力与趋势,进而反映出对经济的拉动程度,因而可以为该企业制定投放量计划提供一个参考指标。