用户登录  |  用户注册
首 页毕业论文毕业设计下载定做交易过程截图支付宝在线支付
当前位置:完美毕业网毕业论文机械毕业设计论文

某市火灾数据的时间序列分析

论文代写发表联系:点击这里给我发消息QQ212181988
一键分享拿折扣:

 摘 要:
本文在分析自回归移动平均(ARIMA)模型的基础上,建立了某市火灾数据的预测模型。充分发挥 ARIMA 时间序列模型可以根据研究指标从过去到现在的演变过程找出定量演变规律,并依据其进行预测的优势,对该市的火灾数据进行了预测分析。
首先对该市2002-2012年火灾数据样本序列的实证分析表明,该模型不但适合于该市火灾数据序列的非平稳时间序列的特点,并且预测效果比较理想,之后收集整理了2002年1月至2013年4月各月的火灾数据,确定ARIMA(11,1,11)模型为最优模型并且尝试预测了2013年5月至9月的火灾数据。
关键词:火灾数据统计分析;时间序列;ARIMA;预测与分析
Time-series Analysis Based On the Fire Statistics of ×× City
Abstract:
Based on the characteristics of the analysis on the regression moving average, the prediction model of the fire statistics was established. The basic idea was to give full play to the role that the ARIMA model could find out the law from the time series from the past to the present of the fire statistics according to the index, and make full use of the advantage that it could get the forecast.
By means of the forecast analysis of the fire statistics sample series of this city since 2002 to 2012 , the model not only applied to the characteristic of the non-stationary time-series ,but also had the higher accuracy of the short - term forecast .The results showed that ARIMA(11,1,11) model had good prediction effect through the collection of the fire statistics since January,2002 to March , and the ARIMA model can be applied to predict the specific fire statistics in short period , at the same time, we had tried to predict the fire statistic of this city since April to September. .
Key words: statistical analysis of the fire statistics; time-series; ARIMA model; prediction and analysis

目 录

摘 要: I
Abstract: II
目 录 III
1 前言 1
2 时间序列分析简介 1
3 数据来源及预分析 5
3.1 数据来源 5
3.2 数据预分析 6
3.2.1 模型选择 7
3.2.2 ARIMA模型建模的一般步骤 7
4 某市火灾数据 ARIMA 模型的建立与应用 8
4.1 序列平稳化处理 8
4.2 模型具体参数的确定 10
4.3 参数估计与检验 11
4.4 模型预测 14
4.5 模型的推广 18
4.5.1 时间序列的预处理(获得平稳的时间序列) 18
4.5.2 相关参数的确定 21
4.5.3 参数估计检验 22
4.5.4 模型预测分析 25
4.6 模型分析 28
5 结论 30
参考文献 31
致 谢 33

1前言
火灾统计作为火灾调查的四项基本任务之一,在过去往往不受重视,大多数火调人员一直致力于调查火灾原因这一工作。但是实际上,火灾统计却是一项比较重要的工作。火灾统计分析就是将火灾统计数据转变为有效信息的环节,可以记载和评估火灾在具体条件下的危害程度、损失大小及其后果,提高广大人民群众的消防安全意识,发挥对消防监督管理工作的导向和决策支持作用,通过研究火灾发展蔓延的经过、火灾造成的人员伤亡、财产损失和火灾扑救等具体情况的火灾统计数据,认识火灾发生、发展的规律性,了解各类火灾原因并且提高火灾扑救能力。通过火灾统计分析获得的信息是火灾风险的防范、控制、城市消防规划、消防技术装备、灭火预案及灭火救援指挥等消防决策的依据,然而这些都是离不开各种火灾数据资料和火灾统计方法的。可以说,火灾统计是一项具有重大意义的工作。
火灾的发生具有随机性和偶然性,是一种随机事件。但偶然存在必然中,随机现象有其统计规律。单起火灾并不能表现出任何概率规律性,但一定时期内多起火灾的发生却往往能够表现出较为明显、甚至颇为严格的概率规律性。这样的规律性也就决定了火灾统计工作的目的就在于寻求科学的分析方法来发现和认识火灾的发生规律,并将其应用于实际的消防工作中。这不仅仅是对火灾统计数据进行统计分析和科学预测的理论基础也是目前火灾科学的重要研究课题之一。
同时,火灾问题还具有普遍性和严重危害性,这就要求国家与社会必须采取相应的措施和对策去尽量减轻火灾对整个社会产生的危害。对策的科学性必须建立在量化分析的基础上。要想找到科学的措施和对策就必须要进行系统的研究,然而火灾的巨大破坏性使火灾试验代价昂贵,这就更要求火灾统计人员利用好已经发生的火灾事故。细致、准确的统计资料是火灾统计分析所必需的,也是发展火灾科学所必须充分利用的。同时随着时间的推进,火灾统计数据越来越丰富,人们也开始运用现有的火灾数据进行一定的预测。如今火灾统计已经不仅仅是对过去火灾形势、消防工作的分析评定依据,它还是消防部门认识火灾发展规律、判断火灾形势,制定火灾风险防范和控制计划、制定城市消防规划、制定灭火预案以及进行消防技术装备与灭火救援指挥等消防决策的重要依据[1]。
随着我国改革开放的逐步深入,经济的不断发展,火灾损失逐渐加大,起火原因不断复杂化,火灾形势日趋严峻,火灾统计工作正逐步向准确、合理、科学和规范化轨道迈进。统计队伍日趋庞大,统计网络建设日趋健全,统计手段日趋现代化。特别是1997年公安部、劳动部和国家统计局联合颁布的《火灾统计管理规定》规范了火灾统计工作的准则,1999年出台的《火灾直接财产损失统计方法》,它作为我国公共行业的强制性标准,在制度上实现了火灾科学从无到有的突破,更是对我国的火灾统计工作的标准化和规范化建设发挥了巨大的作用,是火灾统计工作的里程碑。随着现代化进程的加快,加入WTO后与国际接轨,《消防法》的修改,以及《火灾事故调查规定》等相关规定的不断出台与改进,现行的火灾统计在一定程度上满足了火灾科学发展、现代化管理、依法行政和社会发展的要求[2]。同时,必须承认的是,目前的火灾统计仍然存在着一些问题,比如:统计数据采集不科学、不合理和火灾统计数据失实,数据缺乏应有的挖掘价值、火灾信息损失严重,统计资料利用率和开发效果较低等等[3]。而且目前现有火灾数据的统计分析及预测多以全国火灾数据为基础,针对性不强,范围较大,指导性不够。从事相关统计工作的人员在统计相关信息的时候往往对信息应有的价值挖掘不够,仅仅停留在单纯的统计整理上,对其具有的预测等其他价值利用不足;同时,不科学、不合理甚至是不真实的数据对讲究准确、科学的火灾数据统计来说,无疑是有很大影响的,根据这样的数据进行的数据整理与分析,只会带来错误的结论,造成政府对火灾工作的决策失误,妨碍消防事业的发展,造成单位和公民消防安全意识淡薄。这些存在的问题都需要相关人员以更加严谨科学的态度,不断积极探索和完善火灾统计理论体系。
本文尝试将时间序列分析的方法应用到火灾统计分析中,进一步挖掘火灾数据中所蕴含的预测价值。本文将统计预测范围锁定在一个人口百万的地级市,基于该市近十年的火灾数据利用SPSS以及Eviews等软件建立了火灾趋势分析的时间序列模型,该模型比较好的拟合了近年来该市的火灾数据,预测了短期内的火灾数据,并且在一定程度上指导了消防部门下一阶段的工作。
2时间序列分析简介
时间序列(Time Series)是指随时间变化的、具有随机性的,且前后相互关联的动态数据序列,它是依特定时间间隔而记录的一系列取值[4]。
时间序列分析(Time Series Analysis),就是研究时间序列在演变过程中存在的统计规律的方法,研究的问题包括:长期变动趋势、季节性变动规律、周期变动规律,以及预测未来时刻的发展和变化等[5]。时间序列分析是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法,研究随机数据序列所遵从的统计规律,用于解决实际问题。经典的统计分析都假定数据序列具有独立性,而时间序列分析则侧重研究数据序列的互相依赖关系。后者实际上是对离散指标的随机过程的统计分析,所以又可看作是随机过程统计的一个组成部分。时间序列分析的研究手段包括:建立时间序列模型、参数估计、最佳预测和控制、谱估计等等,特别是对于自回归模型、滑动平均模型有着一套比较完整的统计理论。近年来时间序列分析已经渗入到交通运输、智能控制、神经网络模拟、生物、医学、水文、气象、经济学、空间科学等众多领域,并在其中发挥着无可比拟的作用。
时间序列模型有很多,需要根据实际数据确定选择哪种模型。常见的时间序列模型主要分为指数平滑模型、自回归综合移动平均(ARIMA)模型、季节分解模型等。
指数平滑模型就是指运用指数平滑法(加权移动平均法的一种)去除序列中的误差影响(不规则成分),使用特定范围内记录的加权平均值作为预测[6]。
ARIMA是时间序列分析中最为常用的模型,也称之为差分自回归移动平均模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量针对它的滞后值以及随机误差项的现值进行回归所建立的模型。ARIMA可以对含有季节成分的时间序列数据进行分析[7]。
季节分解模型就是指通过某些手段把时间序列中的4种变动趋势(长期趋势、季节趋势、循环趋势、不规则趋势)分解出来,并分别对其加以分析,再将分析结果综合起来组成一个对原始时间序列的总模型[8]。
进行时间序列分析是一项计算量很大的工作,尤其是针对实际的时间序列往往因为数据量较大,且还需进行数据的预处理,因此,想要单纯的依靠人力完成是比较困难的,目前多通过一些统计软件完成,常用的软件主要有SPSS、Eviews、Matlab等等。其中SPSS的汉化版已经比较成熟,广大统计学的专业人士都采用该软件进行统计数据的分析处理,但是该软件目前只能进行时间序列的分析阶段,对于模型的检验及参数的比较部分应用仍不完善;而Eviews软件虽然目前仍以英文版为主,但是其完善的模型检验及参数比较功能是其他软件所不可比拟的,所以本文采用SPSS17.0以及Eviews6.0软件相结合的方式进行火灾数据的时间序列分析。

Tags:

作者:佚名
Copyright © 2007-2013 完美毕业网. All Rights Reserved .
页面执行时间:1,156.25000 毫秒
Powered by:完美毕业网 http://www.biye114.com