总则
我们进行预测的总的原则是：认识事物的发展变化规律，利用规律的必然性，是进行科学预测所应遵循的总的原则。
这个总原则实际上就是事物发展的
- “惯性”原则——事物变化发展的延续性；
- “类推”原则——事物发展的类似性；
- “相关”原则——事物的变化发展是相互联系的；
- “概率”原则——事物发展的推断预测结果能以较大概率出现，则结果成立、可用
观察问题
- 序列是否在固定水平上下变动？
- 此水平是否也在变动？
- 是否有某种上升或下降的趋势呢？
- 是否存在有季节性的模式？
- 是否季节性的模式也在变更呢？
- 是否存在周期性规律和模式？
考虑因素
- 长期趋势
- 季节性变动
- 周期性变动
- 随机影响
预测模型（方法）
- 指数平滑法
描述时间序列数据的变化规律和行为，不去试图解释和理解这种变化的原因。例如：您可能发现在过去的一年里，三月和九月都会出现销售的高峰，您可能希望继续保持这样，尽管您不知道为什么。 - ARIMA
ARIMA模型全称为差分自回归移动平均模型，即是Autoregressive Integrated Moving Average Model
描述时间序列数据的变化规律和行为，它允许模型中包含趋势变动、季节变动、循环变动和随机波动等综合因素影响。具有较高的预测精度，可以把握过去数据变动模式，有助于解释预测变动规律，回答为什么这样。
使用SPSS进行分析
- 选择第一个个案的数据，存储在
t1.sav中
- 定义日期
得到从201001到201410月的数据
- 创建时序图
得到一个较为直观的有功功率的趋势，便于选择较好的数据模型
此序列整体呈现一个下降的趋势,无明显周期性变化，在每年的3-5月月份左右变化较大出现用电高峰。
-
尝试模型
当对数据由一定的了解之后开始尝试不同模型的构建，spss提供三大类预测方法. -
专家建模
-
指数平滑
指数平滑法有助于预测存在趋势和/或季节的序列，此处数据同时 体现上述两种特征。创建最适当的指数平滑模型包括确定模型类 型（此模型是否需要包含趋势和/或季节），然后获取最适合选 定模型的参数。 -
ARIMA
ARIMA模型是自回归AR和移动平均MA加上差分考虑，ARIMA模型比较复杂，原理还不是非常明白。不过依然可以借助spss可是尝试不同参数看到应用效果。 -
使用简单模型进行的拟合
查看摘要，R方值0.76 较好的拟合效果
