基于ARIMA模型的全球气表温度预测分析.pdf

2023 年 8 月 25 日第 7 卷 第 16 期现代信息科技Modern Information TechnologyAug.2023 Vol.7 No.161471472023.082023.08收稿日期：2023-03-20基金项目：西京学院科研基金资助项目（XJ210104）；西京学院横向课题（2021610002010769，2022610002011135）；西京学院精品课程高等数学 A2建设（XJJPKC22007）；陕西省教育科学“十四五”规划 2021 年度一般课题（SGH21Y0286）；陕西省“大学生创新创业训练计划”项目（X202212715028）基于 ARIMA 模型的全球气表温度预测分析吴会会，王嘉鹏，吴文静，赵宏程，章培军（西京学院 计算机学院，陕西 西安 710123）摘 要：现如今，由于人们在日常的生产以及生活中对化石燃料越来越依赖，温室气体的排放量逐年增多，以致全球变暖的速度也越来越快。为了减少气候变化对人们产生的影响，文章对 19182022 年的全球气温数据进行了平稳化检验和白噪声检验，建立了一个 ARMA（1，3）模型，并利用该模型预测了未来 5 年全球气表温度改变量，结合实验结果，分析了气候改变给人们带来的影响，最后给予了应对全球气候变暖的建议。关键词：ARIMA 模型；气表温度；预测中图分类号：TP399 文献标识码：A 文章编号：2096-4706（2023）16-0147-04Global Air Surface Temperature Prediction Analysis Based on ARIMA ModelWU Huihui,WANG Jiapeng,WU Wenjing,ZHAO Hongcheng,ZHANG Peijun(School of Computer Science,Xijing University,Xian 710123,China)Abstract:Nowadays,due to peoples daily production and life more and more dependence on fossil fuels,greenhouse gas emissions are increasing year by year,so that the speed of global warming is getting faster and faster.In order to reduce the impact of climate change on people,this paper conducts a stabilization test and white noise test on the global temperature data in the five years from 1918 to 2022,establishes an ARMA(1,3)model,and uses the model to predict the global air surface temperature change in the next 5 years.Combined with experimental results,this paper analyzes the impact of climate change on people,and gives suggestions to deal with global warming finally.Keywords:ARIMA model;air surface temperature;prediction0 引 言全球气候变暖1是一种与自然有关的现象。人们燃烧化石燃料或者树木，产生了大量的二氧化碳，当温室效应不断累积，从而导致温度上升，造成了全球气候变暖。全球变暖不仅会危害自然生态系统的一个平衡，还会威胁人类的生存。根据 2021 年世界气象组织灾害统计报告，在过去50年里（19702019 年），几乎平均每天都发生一场与天气、气候或水有关的灾害，这些灾害导致每天有 115 人失去生命，造成 2.02 亿美元的损失。在这 50 年里，有记录的灾害数量增加了 5 倍，这是由人类引起的气候变化、更多的极端天气事件等因素共同作用的结果。后疫情时代下，气候变化应所需的缺口很大，表明未来全球环境风险和国际合作需求极为迫切。DOI:10.19850/ki.2096-4706.2023.16.032时间序列预测法2其实是一种回归预测方法，属于定量预测，这方法虽然简便，能迅速求出预测值，但由于没有考虑整个社会经济发展的新动向和其他因素的影响，所以准确性较差。而 ARIMA3模型是一个时间序列分析方法，该模型被广泛应用于时间序列数据的预测和建模。它可以通过对时间序列的历史数据进行分析和拟合4，来预测未来的趋势和变化。其基本思想是，通过对时间序列数据的自回归、移动平均和差分等变换5，来建立一个能够描述数据特征的模型，并利用这个模型来预测未来的数据变化。ARIMA 模型能够较好地处理许多时间序列数据的特性，如季节性6、趋势性、周期性等，并可以用较少的参数来拟合数据。因此，ARIMA 模型在经济学、金融、气象学、工业生产等领域中得到了广泛的应用。由于 ARIMA 模型简单，只需要内生变量而不需要借助其他外生变量，所以本文主要研究了基于 ARIMA 模型7对未来 5年全球气表温度的改变量进行预测分析。1 ARIMA 模型ARIMA(p，d，q)模型的结构如下：现代信息科技8月下16期.indd 147现代信息科技8月下16期.indd 1472023/8/15 17:38:252023/8/15 17:38:25148148第 16 期现代信息科技2023.082023.08Var其中，；表示平稳可逆ARMA(p，q)模型的自回归系数多项式，表示平稳可逆 ARMA(p，q)模型的移动平滑系数多项式。该模型具有以下优点：1）不需要借助事物发展的因果关系去分析这个事物过去的和未来的联系；2）具有很少的信息量，对趋势性、随机性和相关性的数据都能有很好的预测结果；3）该模型的结构比较简单，预测原理也很容易理解，只需要内生变量而不需要借助一些其他类型的外生变量。基于此，本文利用了 ARMA 模型预测了未来 5 年全球气表温度改变量，并结合研究的实验结果，分析了气候改变给人们带来的影响。2 全球气表温度的预测本文所使用的数据来源于国家统计局（https:/ 方 网 站，选 取 了19182022 年全球气表温度改变值序列。2.1 平稳化检验为了确定没有随机趋势或确定趋势，否则将会产生“伪回归”问题，即有时数据的高度相关仅仅是因为二者同时随时间有向上或向下的变动趋势，并没有真正联系。这样数据中的趋势项，季节项等无法消除，从而在残差分析中无法准确进行分析，所以本文首先检验了全球气表温度改变值序列的平稳性，结果如表 1 所示。表 1 原始序列 ADF 检验结果滞后阶数检验统计量P 值1-9.599 90.001 02-8.968 70.001 03-7.615 50.001 0从表 1 可以看出，原始序列在滞后阶数为 1，2，3 的情况下，P 值均小于 0.05，因此，原始序列是平稳的。2.2 白噪声检验为了验证时间序列中有用的信息已经被提取完毕，剩下的全是随机扰动，是无法预测和使用的，即确定原始序列中是否存在相关关系，下面对序列进行白噪声检验，检验所得结果如表 2 所示。表 2 原始序列白噪声检验结果滞后阶数检验统计量P 值617.436 20.007 81226.265 90.009 8从表 2 可以看出，在滞后阶数为 6 和 12 时，检验统计量的 P 值分别为 0.007 8 和 0.009 8，均小于 0.05，说明原始序列为非白噪声序列，即序列之间存在相关关系是可以提取的。白噪声检验的 MATLAB 代码如下所示：h,pValue,stat=lbqtest(y,Lags,6,12)autocorr(y)parcorr(y)LOGL=zeros(4,4);PQ=zeros(4,4);for p=1:4 for q=1:4 Mdl=arima(p,0,q);EstMdl,logL=estimate(Mdl,y,Display,off);LOGL(p,q)=logL;PQ(p,q)=p+q;endendLOGL=reshape(LOGL,16,1);PQ=reshape(PQ,16,1);,bic=aicbic(LOGL,PQ+1,100);reshape(bic,4,4)p=1;q=3;2.3 建立模型为了选择合适的模型拟合原始序列，下面给出原始序列的自相关图与偏自相关图，结果如图 1 所示。图 1（a）为原始序列的自相关图，图 1（b）为原始序列的偏自相关图，两者均无明显的截尾性，即认为该序列自相关系数与偏自相关系数均具有拖尾性，根据平稳时间序列模型的性质，可选用ARMA（p，q）模型拟合原始序列，根据 BIC 准则确定模型阶数，结果如表 3 所示。根据 BIC 准则，即在不完全的状态下，对某一部分未知的状态通过利用主观的概率进行估计，然后利用贝叶斯公式对所发生的概率进行一定的修正，最后再利用所得到的期望值与修正的概率进而做出最优的一个决策，其中 BIC 取值最小的模型即为最优的模型，从表 3 中可以看出，最小 BIC 值为-126.460 9，其对应的模型参数的阶数为 p=1，q=3，因此，本文选择 ARMA（1，3）模型来拟合现代信息科技8月下16期.indd 148现代信息科技8月下16期.indd 1482023/8/15 17:38:262023/8/15 17:38:261491492023.082023.08第 16 期原始序列，拟合结果如表 4 所示。Lag1.00.80.60.40.20-0.2-0.4Sample Autocorrelation0 5 10 15 20（a）自相关Lag1.00.80.60.40.20-0.2-0.4Sample Partial Autocorrelations0 5 10 15 20（b）偏自相关图 1 自相关图与偏自相关图表 3 不同阶数 ARMA 模型 BIC 值pq12341-125.78-121.46-126.22-121.682-121.54-120.07-121.68-117.493-118.10-119.15-117.37-112.974-113.45-114.76-112.73-108.49表 4 参数估计结果参数估计值标准差0.009 80.004 81-0.975 80.048 31-0.610 10.101 020.726 30.096 530.490 30.085 3Var(t)0.014 10.002 2从表 4 可以看出，可知各参数估计值的绝对值均大于其 2 倍标准差，故每一个未知的参数显著非零，此时的模型是最精简的；如果某个参数不是非常的显著，那么就表示这个参数相对应的这个自变量对因变量的影响不明显，那么该自变量可以从拟合模型中进行剔除，最终的模型将由一系列参数显著非零的自变量表示。因此本文所拟合的模型为：Xt=0.009 8-0.975 8Xt-1+t+0.610 1t-1 -0.762 3t-2-0.490 3t-3Var(t)=0.014 1本文所建立模型的 MATLAB 代码如下所示：arma=arima(p,0,q);fit=estimate(arma,y)res,=infer(fit,y);h,pValue,stat=lbqtest(res,Lags,6,12)T=2020;t=5;yf,yMSE=forecast(fit,t,Y0,y);upper=yf+1.96*sqrt(yMSE);lower=yf-1.96*sqrt(yMSE);yf,lower,upper2.4 模型检验为了验证本文拟合模型的有效性，验证残差序列 t 是否为白噪声序列，结果如表 5 所示。表 5 残差序列白噪声检验结果滞后阶数检验统计量P 值61.742 60.941 8124.112 40.981 3从表 5 可以看出，滞后 6 阶与 12 阶的 P 值均显示残差序列为白噪声序列，即 t 中不存在相关信息，说明模型效果拟合良好，即可以使用该模型进行预测。因此，得到全球气表温度改变值序列的 ARMA(1，3)模型为：2.5 全球气表温度的预测与分析使用该模型预测未来 5 年全球气表温度改变值及其 95%预测区间如表 6 所示。表 6 预测值及 95%预测区间时间预测值95%预测区间下限 95%预测区间上限2023-0.048 3-0.281 00.184 420240.166 7-0.081 10.414 52025-0.112 9-0.375 20.149 420260.120 0-0.144 00.384 12027-0.107 3-0.373 00.158 4预测图如图 2 所示，其中，灰色实线代表19182022 年全球气表温度改变值序列的历史观测值，黑色实线表示该序列未来 5 年的预测值，两条虚线分别表示预测值的 95%预测区间。吴会会，等：基于 ARIMA 模型的全球气表温度预测分析现代信息科技8月下16期.indd 149现代信息科技8月下16期.indd 1492023/8/15 17:38:262023/8/15 17:38:26150150第 16 期现代信息科技2023.082023.081922 1932 1942 1952 1962 1972 1982 1992 2002 2012 20220.50.40.30.20.10-0.1-0.2-0.3-0.495%IntervalForecast年份图 2 全球气表温度改变值预测图从图 2 可以看出，未来 5 年的全球气温改变不大，波动在 0.1 左右。预测图绘制的 MATLAB 代码如下：figureplot(i,y)hold onh=plot(T+1:T+t,yf,r,LineWidth,2);h1=plot(T+1:T+t,upper,k-,LineWidth,1.5);h2=plot(T+1:T+t,lower,k-,LineWidth,1.5)xlim(1916,T+t)title(Forecast and 95%Forecast Interval)legend(h,h1,Forecast,95%Interval,Location,NorthWest)hold off3 结 论全球气候变暖是由许多复杂的因素造成的，我们每个人都需要保护好我们的家园。通过对 19182022 年全球气候的改变量作为样本，本文基于ARIMA 模型预测出了 20232027 年全球气候的改变量，由实验结果可知，近 5 年的全球气候改变量不大，但我们仍需保护好我们的家园。参考文献：1 赵宗慈，罗勇，黄建斌.地球能量失衡与全球变暖 J.气候变化研究进展，2022，18（1）：119-121.2 王昱，杨修群，孙旭光，等.一种基于全球动力模式和 SMART 原理结合的统计降尺度区域季节气候预测方法 J.气象科学，2021，41（5）：569-583.3 李安，高萌萌，陈曦，等.基于 MaxEnt 模型和未来气候条件预测太行花属植物的适生分布区 J.河南农业科学，2021，50（4）：137-146.4 陈禹光，乐新贵，陈宇涵，等.基于 MaxEnt 模型预测气候变化下杉木在中国的潜在地理分布 J.应用生态学报，2022，33（5）：1207-1214.5 吕彤，郭倩，丁永霞，等.基于 MaxEnt 模型预测未来气候变化情景下中国区域水稻潜在适生区的变化 J.中国农业气象，2022，43（4）：262-275.6 智协飞，彭婷，李刚，等.多模式集成的概率天气预报和气候预测研究进展 J.大气科学学报，2014，37（2）：248-256.7 李荞每，成丽波.基于小波分析的时间序列 ARIMA模型预测方法 J.沈阳师范大学学报：自然科学版，2021，39（1）：49-53.作者简介：吴会会（1994），女，汉族，河南信阳人，助教，硕士研究生，研究方向：数据融合。基础，用户对数据库进行访问时不存在着任何的干预行为，确保数据库可实现安全、高效运行。当然，OA 协同办公系统还处于动态发展阶段，必然还会有更多的异构业务系统陆续整合其中，后续还需对扩展数据集群系统，并且还需对数据集群系统进行优化与调整。参考文献：1 贾洪峰，梁涛，郭绍明.Oracle Database 11g RAC 手册：第 2 版 M.北京：清华大学出版社，2012.2 段源源.OA 系统在大型国有煤炭企业中的应用以太原煤气化集团公司为例 J.山西科技，2017，32（4）：134-136.3 王元凤.网络时代企业管理信息化问题探索 J.太原城市职业技术学院学报，2015（1）：159-160.4 DAN B，BOYEN X.Efficient selective identity-based encryption without random oracles J.Journal of Cryptology，2019，24（4）：659-693.5 王世亮.面向遥感影像的元数据集群设计与实现 D.成都：电子科技大学，2022.6 HE D，KUMAR N，ZEADALLYS，et al.Efficient and privacy-preserving data aggregation scheme for smart grid against internal adversaries J.IEEE Transactions on Smart Grid，2017，8（5）：2411-2419.7 吴晓玲，邱珍珍.基于云存储架构的分布式大数据安全容错存储算法 J.中国电子科学研究院学报，2018，13（6）：720-724.8 潘佳艺，王芳，杨静怡，等.异构 Hadoop 集群下的负载自适应反馈调度策略 J.计算机工程与科学，2017，39（3）：413-423.9 王晓妮.移动 OA 系统在高校信息化建设中的应用与实践 J.办公自动化，2016，21（15）：52-53+34.10 WANGY J，DING Y，WU Q H，et al.Privacy-preserving cloud-based road condition monitoring with source authentication in VANETs J.IEEE Transactions on Information Forensics and Security，2019，14（7）：1779-1790.作者简介：王慧（1986.08），女，汉族，山东菏泽人，助理研究员，本科，研究方向：计算机应用。（上接146页）现代信息科技8月下16期.indd 150现代信息科技8月下16期.indd 1502023/8/15 17:38:262023/8/15 17:38:26