ARIMA模型MATLAB实现代码

ARIMA模型MATLAB实现代码，通过一批现有数据（本代码中batch=100），向后预测后n个数据，n越大，预测效果越差。代码可以直接运行，有实例支持，可以很快上手。压缩包包括以下三部分：主程序（ARIMA_main.m），辅助函数（Inverse_BoxCox.m），测试数据（testdata.xls）。

%ARIMA，是通过一批现有数据（本代码中batch=100），向后预测后n个数据，这个n越大，预测效果越差

[data] = xlsread（‘testdata‘）;
% 设置数据块大小
batch = 100;
%预测数量
predict_num = 10;


% Box_Cox转换
[transdatalambda]=boxcox（data（:1））;
% ARIMA模型处理   利用前100真实数据  滑动窗口预测
Predict=transdata（1:batch1）;
for iii=1:predict_num                           
    Data=Predict（iii:iii+batch-11）;                    %滑动窗口大小为100
    SourceData=Data（1:batch1）;                %前100个训练集
    step=1;                                             %向后预测一个（效果比较好）
    TempData=SourceData;
    TempData=detrend（TempData）;           %去趋势线
    TrendData=SourceData-TempData;        %趋势函数
%     --------差分，平稳化时间序列---------
    H=adftest（TempData）;
    difftime=0;
    SaveDiffData=[];
    while ~H
      SaveDiffData=[SaveDiffDataTempData（11）];
      TempData=diff（TempData）;           %差分，平稳化时间序列
      difftime=difftime+1;               %差分次数
      H=adftest（TempData）;               %adf检验，判断时间序列是否平稳化
    end
%     ---------模型定阶或识别------------
    u = iddata（TempData）;
    test = [];
    for p = 1:5                          %自回归对应PACF给定滞后长度上限p和q，一般取为T/10、ln（T）或T^（1/2）这里取T/10=12
      for q = 1:5                        %移动平均对应ACF
        m = armax（u[p q]）;        
        AIC = aic（m）;                    %armax（pq）计算AIC
        test = [test;p q AIC];
      end
    end
    for k = 1:size（test1）
      if test（k3） == min（test（:3））     %选择AIC值最小的模型
        p_test = test（k1）;
        q_test = test（k2）;
        break;
      end
    end
%    ----------1阶预测-----------------
    TempData=[TempData;zeros（step1）];
    n=iddata（TempData）; 
    m = armax（u[p_test q_test]）;        %armax（pq）[p_test q_test]对应AIC值最小，自动回归滑动平均模型         
    P1=predict（mn1）;
    PreR=P1.OutputData;
    PreR=PreR‘;
%    ----------还原差分-----------------
    if size（SaveDiffData2）~=0
      for index=size（SaveDiffData2）:-1:1
        PreR=cumsum（[SaveDiffData（index）PreR]）;
      end
    end 
%    ----------预测趋势并返回结果--------
    mp1=polyfit（[1:size（TrendData‘2）]TrendData‘1）;
    xt=[];
    for j=1:step
      xt=[xtsize（TrendData‘2）+j];
    end
    TrendResult=polyval（mp1xt）;
    PreData=TrendResult+PreR（size（SourceData‘2）+1:size（PreR2））;
    tempx=[TrendData‘TrendResult]+PreR;    % tempx为预测结果
    Predict（100+iii1）=tempx（1101）;
end

% 求逆变换 % 最后的预测值在Inverse_transdata中
Inverse_transdata=Inverse_BoxCox（Predictlambda）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       2671  2020-05-13 23:14  ARIMA\ARIMA_main.m

     文件        203  2017-10-27 09:08  ARIMA\Inverse_BoxCox.m

     文件      23040  2020-05-13 22:55  ARIMA\testdata.xls

     目录          0  2020-05-13 23:14  ARIMA

----------- ---------  ---------- -----  ----

                25914                    4