怎样处理时间序列的季节成分?

Posted 2023-04-13

参考技术A 时间序列的成分
1,长期趋势(T ).即时间序列在一个长时期内受基本因素的影响而增大或减小的趋势.
2,周期波动(C ),也叫循环变动.即时间序列受经济等原因影响呈现出的波浪形和震荡式发展.
3,季节变动(S ).即时间序列在一年内某个时期重复出现的波动.
4,不规则变动(I ).即时间序列由于突发或偶然事件引起的变动.
以上四种成分对时间序列的影响通常有两种假定构成模型:一是假定四种因素相互独立,则有 Y=T+S+C+I.
二是假定四种因素相互影响,则有Y=T×S×C×I.
季节变动(seasonal variation)分析
季节变动是指客观现象由于受自然因素或社会条件的影响而形成的有规律的变动.季节变动不仅仅是指随一年中四季而变动,而是泛指有规律的,一定周期(年,季,月,周,日)重复出现的变化.
测定季节变动的目的:
一是为当前的决策提供依据;
二是对现象未来的季节变动作出预测;
三是为了消除季节变动对时间序列的影响.
分析季节变动的方法很多,常用的是按月(季)平均法和移动平均趋势剔除法.
一,按月(季)平均法
基本步骤为:
1,计算各年同期(月或季)的平均数,
2,计算全部数据的总平均数
二,移动平均趋势剔除法
当时间序列有明显的长期趋势变动时,首先应消除趋势的影响,从而较准确的测度季节变动.常用的趋势测定可以应用移动平均法,故称为移动平均趋势剔除法.
其基本步骤如下:
1,对原数列进行12个月(或4个季度)的移动平均,求出长期趋势值
2,剔除原数列中的长期趋势
3,将上一步骤的结果,仿照按月(季)平均法的步骤计算季节指数.
如果各期季节指数总和不等于1200%或400%,则需要进行校正.

垃圾里面都有啥？用神经网络模型估算中国城市生活垃圾组成成分

原文链接：

https://pubs.acs.org/doi/10.1021/acs.est.0c01802

文章导读

▲掌握垃圾组成成分是针对性地设计和实现可持续的生活垃圾管理系统的关键。在城市尺度，生活垃圾组成成分数据一般通过不同季节、不同城区的实地调研获得。而在中国，不少中小城市，历史上并没有开展生活垃圾组成成分的调研研究，在垃圾处理基础设施规划、填埋场存量垃圾治理、生活垃圾管理政策制定中往往参考相似城市的案例，这可能会造成较大的数据偏差。在城市生活垃圾管理实践中，不仅需要掌握历史数据，还需要预测未来的垃圾组成成分变化，因此构建垃圾组分的定量分析模型很有必要。

文章亮点

• 将神经网络模型与球坐标转换模型结合
• 建立可追溯和预测垃圾组成成分的模型
• 构建中国连续年份，所有地级市的垃圾组成成分数据库

文章摘要

垃圾组成成分是城市生活垃圾处理技术研究与管理政策制定中的基础信息之一。中国已有部分城市开展了城市生活垃圾组成成分的调查分析，但是相关数据来源分散，缺乏全国性、区域性、连续年份的大尺度数据整合。本研究基于中国135个地级市503条城市生活垃圾组成成分数据，采用球坐标转换法对成分数据进行降维转化，消除“定和限制”的影响。采取BP神经网络模型，对城市规模、地理区位、人均地区生产总值、煤气/液化气/天然气普及率、年份等潜在影响因子进行了分析，构建了城市生活垃圾组成成分的定量估算模型。结果表明：（1） 2017年全国城市生活垃圾组成估算结果为：有机组分53.7%，灰土及砖瓦陶瓷8.3%，纸类16.9%，塑料橡胶13.6%，织物2.3%，木竹2.2%，金属0.6%，玻璃1.5%，其它1.0%；（2）1990-2017年，有机组分，纸类和塑料橡胶在生活垃圾中的占比呈现增长的趋势，而灰土及砖瓦陶瓷则显著下降；（3）华东、华北以及中南地区有机垃圾占比显著高于其他地区。研究结果可用于追溯或预测城市生活垃圾组成成分，为缺乏历史数据的城市实施垃圾治理工程、制定相关政策提供科学依据。

Figure 2 Historic trends of the PCMSW inChina from 1990 to 2017. (A) The major components; (B) the minor components;values are the scaled-up values applying to all prefecture-level cities ofChina.

Figure 3 PCMSW of different geographicregions in China in 1990 and 2017.

展望

具有连续年份的垃圾组成成分的地级市一般为省会城市或大城市。因此垃圾组成成分样本数据的缺乏仍然是该模型的一个主要限制条件。这就需要在未来的研究中将自上而下和自下而上的方法结合起来以获得高精度的垃圾组成成分数据。一方面，希望能够和相关的研究机构或组织进行合作，不断获取实地采样数据，来完善我们的样本数据库；另一方面，需要构建新的模型获取高精度的特定城市垃圾组成成分数据，补充到我们的数据库中。

原文信息

标题：

Estimating Physical Composition of Municipal Solid Waste in China  by Applying Artificial Neural Network Method

作者：

Shijun Ma, Chuanbin Zhou,* Ce Chi, Yijie Liu, and Guang Yang

单位：

State Key Laboratory of Urban and Regional  Ecology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences