基于ARMA模型的柴油出廠數據量差預測分析

張醫銘

(中國石化上海石油化工股份有限公司統計中心，上海 200540)

時間序列是以時間為順序排列并隨時間而變化，同時又具有一定關聯關系的數據序列。時間序列分析是根據相鄰數據點之間具有相關性的特點，建立相應的數學模型來對觀測數據進行擬合，并實現相關信息的有效預測[1]。時間序列分析通常在經濟領域應用較為廣泛。文章試圖采用這一方法對中國石化上海石油化工股份有限公司(以下簡稱上海石化)海運碼頭出廠數據的計量誤差進行預測，為計量數據管理提供決策依據。上海石化的柴油海運出廠通過計量流量計進行結算，但是計量數據和商檢量之間存在著隨機誤差，并且隨著季節變化存在周期性特點。為方便管理，需要知道該誤差的趨勢范圍，以便能夠及時發現異常情況，因此擬采用時間序列分析方法來進行分析建模，這里將采用移動平均自回歸模型(ARMA)對誤差數據進行預測分析。ARMA模型是一種專門處理一維時間序列數據的模型，可為柴油出廠計量誤差規律性分析提供一種新思路。

1 基本原理與方法

時間序列分析方法最初只有自回歸模型(AR)用于市場變化規律的預測，在此基礎上數學家瓦格兒又提出了滑動平均模型(MA)和移動平均自回歸模型(ARMA)，這3個模型奠定了時間序列分析理論的基礎。ARMA模型主要應用于對一維、方差穩定的平穩時間序列分析，認為時間序列當前觀測項的值可以表示為其之前的p項觀測值及q項隨機誤差的線性組合，即滿足式(1),為移動平均自回歸模型，并記作ARMA(p，q)模型[2]。

移動平均自回歸模型的數學表達形式為：

Xy-φ1Xt-1-...φpXt-p=εt-θt-1-θqεt-q

(1)

式中：φ1為自回歸因子，θ1為滑動平均因子，{ε1}為白噪聲序列。

引入后移算子B，用Bk表示k步線性推移算子，即BkX1=Xt-k,Bkε1=εt-k，令

φ(B)=1-φ1B-φ2B2-...-φpBp

(2)

θ(B)=1-θ1B-θ2B2-...-θpBp

(3)

則(1)式簡寫為：

φ(B)Xt=θ(B)εt

(4)

這就是p階自回歸q階移動平均模型，記為ARMA(p,q)。當p=0時為純滑動平均模型，記為MA(q);當q=0時為純自回歸模型，記為AR(p)；當p=q=0時，則模型表示為Xt=εt，此時，該序列為白噪聲序列[3]。

2 模型應用

ARMA模型建模過程主要包括數據預處理、階數選取、參數估計和模型檢驗4個步驟。

(1)數據預處理：使用ARMA模型需要對數據進行預處理，主要包括異常數據剔除和序列平穩性檢驗。序列平穩性可以通過時序圖初步判斷，然后通過計算樣本數據的自相關函數與偏相關函數等判斷。如果自相關圖是截尾或者拖尾，則可以判斷數據適用ARMA模型。如果樣本數據非平穩，則可通過差分法處理進行非平穩序列建模。

(2)階數選取：確定模型的階數，即p和q值。可以通過自相關圖選擇相應的階數進行擬合，也可以采用AIC準則進行判斷。

(3)參數估計：確定自回歸因子和移動平均因子的值。參數估計主要包括最小二乘法和極大似然估計等，文章擬采用極大似然估計，使用Eviews軟件進行數據計算。

(4)模型檢驗：模型檢驗的方法主要包括卡方檢驗和實測檢驗法。卡方檢驗的基本思路是，在相應的顯著性水平下檢驗模型的殘差序列是否為白噪聲序列；實測檢驗法是將模型預測值與實測數據進行比對，計算相應的誤差，從而進一步修改完善模型[4]。

3 實例分析

由于柴油海運出廠并非每天都有，因此數據不可能嚴格連續，為了更好地分析時間序列方法在誤差數據中的預測[5]，選取2015—2017年誤差實測月平均數據作為樣本數據，根據直觀法剔除明顯的異常數據后得到誤差數據時間序列{Xt}，剔除異常值后的柴油計量數據誤差值時序圖見圖1。序列自相關和偏自相關情況見圖2。

圖1 序列時序

圖2 序列自相關情況

綜合分析序列時序圖、自相關圖，判定該序列為非平穩序列，可以考慮使用差分法對序列進行處理。

一階差分后的序列時序(y)、一階差分序列自相關(ACF)和一階段差分序列偏自相關(PACF)情況見圖3～5。

圖4 一階差分序列自相關

圖5 一階差分序列偏自相關情況

由圖4～5可知：該序列圍繞0點上下波動，且樣本自相關和偏自相關因子很快落入隨機區間，說明一階差分后的序列呈現平穩性，可以對其建立ARMA模型。由圖5可見，序列的樣本自相關因子在k=3處顯著不為0，表現為拖尾性，因此可以考慮q=3；偏自相關因子表現為一階截尾性，因此可以考慮取p=1。由于對原數列進行了一階差分，因此最終可以建立ARIMA(1,1,3)模型。模型參數估計結果見表1。

表1 模型參數估計結果

根據自相關圖顯示的自相關因子的3階截尾的性質，嘗試擬合MA(3)模型，使用極大似然估計方法，確定MA(3)模型的口徑為：

xt=(1-0.6 046B+0.0 583B2-0.4 535B3)εt

(5)

根據偏自相關圖的1階截尾性，可以嘗試使用AR(1)模型進行擬合，使用極大似然估計方法確定模型口徑為：

(6)

參數估計完成后，為了驗證ARIMA(1,1,3)模型是否符合意義，運用白噪聲檢驗法對殘差序列進行檢驗。通過對殘差序列的檢驗后，發現該模型是合適的，因此可以對此進行短期預測。預測結果見表2,擬合預測見圖6。

表2 5期預測結果

圖6 擬合預測情況

4 結論

(1)根據誤差數據的時序圖分析，發現該序列為非白噪聲、非平穩序列，在對其數列進行差分后滿足ARMA模型的建模要求。

(2)通過AIC定階準則選取了ARMA(1，3)模型作為最終的擬合模型對數據進行分析，最終使用極大似然估計的方法確定了模型的擬合方程。

(3)通過小樣本時間序列的預測分析，運用ARMA模型對誤差數據進行建模，得到具體的分析方程，可以預測短期的誤差值，在實際的計量數據管理中，可以提供甄別異常值的理論依據，具有較高的實用價值。

(4)模型優點：通過對油品出廠計量數據誤差進行分析，建立了相應的ARMA(p，q)模型，從預測的靜態圖上看，此種方法可以模擬數據的走勢，具有一定的參考意義，可以對異常數據進行準確的判斷。

(5)模型缺點：在數據處理上，由于這些數據本身具有一定的隨機性，規律性較弱，采用單一的模型處理時會存在較大的誤差，所以對于預測的具體數值精度較低，只能提供大概率的置信區間供參考。