基于 ARIMA 模型的时间序列数据挖掘方法改进

基于ARIMA模型的时间序列数据挖掘方法改进

闵 盈 盈1,2

【摘 要】ARIMA模型是一种很重要的时间序列数据挖掘模型，但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果，就ARIMA模型的数据挖掘方法进行改进，并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确. 【期刊名称】哈尔滨商业大学学报（自然科学版） 【年(卷),期】2014(000)006 【总页数】3

【关键词】ARIMA模型；数据挖掘；预测

信息技术的飞速发展以及广泛应用，使我们总在寻找数据统计或者数据处理的方法，从而产生了数据挖掘这一学科，数据挖掘可以应用于任何类型的数据信息源，有的数据中含有时间的因素，而且时间之间还会存在有某种联系，这样的一些数据被称为时间序列，时间序列目前在很多的领域都得到了应用，时间序列模型也应用于数据挖掘中，这种基于模型的时间序列数据挖掘具有很好的研究前景，目前的时间序列模型主要有隐马尔可夫模型、隐半马尔可夫模型、BOX-Jenkins回归、ARIMA模型等方法[1-2].其中ARIMA模型是一种很重要的时间序列数据挖掘模型，但是这个模型往往只是对某个时间点进行研究，事实上一段时间往往影响未来的预测，所以改进ARIMA模型使其成为一段时间的预测模型有着重要的意义[3-5].

1 ARIMA模型介绍

ARIMA(Auto Regressive Moving Average)模型是在1976年由Box和