高速公路机电系统设备维护费用预测
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
分解基本思路 ！ Ｓ ｔ ｅ ｐ ｌ ： 采 用 移 动 平 均 法 从 Ｙ 中剔 除 ｓ和 Ｉ ． 得到 Ｔ ＊ Ｃ ：
± 丝 ＝ ． ． ． ± 丝＝
＝
２ Ｍｔ ｛ ｌ 卜Ｍ （ ２ ）
ｂ ＝ ＿ ｌ Ｍ ｌ ｌ 卜Ｍ （ ２ ） ）
Ｙ ＋ ＝ ＋６ Ｔ
◇ 科技论坛◇
科技 嚣向导
２ ０ １ ４ 年２ ９ 期
高速公路机电系统设备维护费用预测
张 方 兰
（ 重庆交通大学 中国来自重庆４ ０ ０ ０ ７ ４ ）
所以简单平均移动法只适用 于时间序 列变化 比较平 高速公路 机 电系统是高速公路 的重要组成部分，主要 由通信 、 收 给预测带来偏差 费、 监控 和配 电四大部分构成 。由于设备种类繁多 ， 型号 复杂 ， 设备维 稳 的近期预测 当数 据的随机 因素较 大（ 数据 变化趋势 剧烈 ） 时， 宜 选用较 大 的 护维修需要根据设备 的不 同品牌型号 、 规格参数 、 安装地点 环境 、 使用 这 样有利于较大限度 的平 滑由随机性 带来的严重偏差 ， 反之 ， 当数 年 限及 功能作用等不 同情 况 ， 采取不 同的维护计划 及维修策略 ， 以最 Ｋ． 大 限度 的保证系统 的正常运营 ，降低设备故 障造 成的风险 和各类损 失 本 文对该部分 的维 护成本进行测算模型 的探讨 。 时间序列是 由同一现象在在 不同时 间上 的相继观察值 时间排列 而成 的序列 ， 也称 时间序列 、 动态序列 。 时 间序列预测法是一种应用较 广 的定量预测方法 ． 通过 对时 间序列 数据的分 析 ． 掌握经济 现象随时 间的变 化规律 ． 从 而预测其 未来 时间序列预测法被 广泛地应用在天 文、 气象、 水文 、 生物和社会 经济等方 面的预测 。一般 把时间序列 中的 各 种可能 的作用 因素进行分解 按它们 的作 用效果进行分 类分解如
＝
豫
加 权移动平 均法更 能反 映实际情况 ， 关键在于权重 的确 定。一般 地． 可根据经验选取几组权重试算 ． 比较预测相对误差 ． 从 中选取 与实 ① 长期趋势 （ Ｔ ｔ ） ， 代 表时间序列的趋 势水平 。 ②循 环变 动（ ｃ ｔ ． ） ， 是 以数 日、 月、 季或年为周期的一种周期变动。 际数据拟合较好 的权重用于预测 。 为了避免利用移动平均法预测有趋势 的数据时产生 系统误差 ． 发 ③ 季节变动ｆ ｓ ｔ １ ． 是指 以一年 为周期 ， 经 济变量随季节变 化而变化 展了线性 二次移 动平均法 。这种方法 的基础是计算二次移动平均 ． 即 的周期 性变动 在对实际值进行 一次移 动平均 的基础上 ， 再进行一次移 动平 均。然 后 ④ 不规则 变动 ｆ Ｉ ｌ １ ， 也称 随机变 动 ， 是指 由意外 的 、 偶然性 因素 引 利 用滞后偏差 建立线性预测模 型 ． 然后用模 型 起的 ， 突然发生的 、 无周期的随机波 动 。 以上这 ４ 种 变动 是时间序列变 在二次移动的基础上 ． 动的 ４ 种形态 ． 时间序列变动是以上 ４种变动或其 中几种变动 的综合 进行预测 计 算方法 为 ： 线性二次移动平 均法的通式为 ： 叠加 ． 是它们综合作用的结果。
时间序列的分解模型可分为加法模型 、 乘法模型 、 混合模型。 其中 常用的是乘法模型 （ 季节指数法 ） 和加法模型 （ 季节变差法 ） 。 常用的时 间序列 预测法 主要包 括 ： 移 动平均法 、 指数平 滑法 、 自适应过 滤预 测 法、 趋势外推法等 ①乘法模型 （ 季节指数法 ） ｙ ＝ ｓ ， ｃ
Ｓ ｔ ｅ ｐ ２ ： 从 Ｙ 中剔除 Ｔ ＊ Ｃ ， 得到 Ｓ Ｉ ＝ Ｙ ／ Ｔ ＇ Ｃ ； Ｓ ｔ ｅ ｐ ３ ： 对Ｓ ＊ Ｉ 进行按月 （ 季） 平均 ， 剔除 Ｉ ， 得到 ｓ ； ｓ ｔ ｅ ０ ４ ： 对 Ｙ建立长期趋势方程 ． 求出 ｒ ｒ ＝ Ｓ ｔ ｅ ｐ ５ ： 从ｓ ｔ ｅ ｐ １ 的Ｔ ＊ Ｃ中剔 除 ｓ ｔ ｅ ｐ ４中求得 的 Ｔ ， 得到 ｃ ＝ Ｔ ｃ ， Ｉ ＇ ； Ｓ ｔ ｅ ｐ ６ ： 根据长期趋势求出的 Ｔ ． 判断循环指数 ｃ ： Ｓ ｔ ｅ ｐ ７ ： 预测模 型为Ｐ ＝ ５ Ｃ 进行 预测。 ②加法模型 （ 季节变差法 ） 分解基本思路 ： Ｓ ｔ ｅ ｐ １ ： 以时间 ｔ 为 自变量 ， 对 Ｙ建立长期趋势方程 ． 求出 Ｔ ； Ｓ ｔ ｅ ｐ ２ ： ｓ Ｉ ＝ Ｙ — Ｔ 。 求出不 同年度 同一 季节的平均季节差 ． 进行修 正 得到各季节的季节变差 ｓ ； Ｓ ｔ ｅ ｐ ３ ： 从Ｓ ＊ Ｉ 中剔除 Ｓ ， Ｉ ＝ Ｓ ＊ Ｉ — Ｓ ， 随机变动无预测价值； Ｓ ｔ ｅ ｐ ４ ： 预测模型 ． ， ＝ ＋ ｓ ， 。 下 面对移动平均法 和指数平滑法 的预测模型进行详细说 明：
其 中Ｔ为预测超前期数 。 二次移动平均法 ， 即可用于近期预测 ． 也 可用于远期预测 ． 一般来说 ， 远期预测误差 比较大 。 二次移动平均法 比 较适用于具有较强线 性趋势 的时间序列预测 。
２ 旨 数 平 滑 法
指数平滑法是对移动平均法的 改进
下：
据 的随机因素较小 （ 数据变化趋 势平稳 ） 时， 宜选用较小饿 Ｋ ， 这样有 利 于跟踪数据 的变化 ， 并且预测值滞后的期数也少。 为 克服简单移动平均 预测法 中将远 期数据 和近期 数据 同等看待 的缺陷． 采取对近期数据给予较大权重 ． 对远期数据给予较小权重 。 下 面我们详细说 明： 设 时间序列 为 Ｙ１ ， Ｙ ， ． ． ． ， Ｙ 一 移动平均法可 以表示为 ：
± 丝 ＝ ． ． ． ± 丝＝
＝
２ Ｍｔ ｛ ｌ 卜Ｍ （ ２ ）
ｂ ＝ ＿ ｌ Ｍ ｌ ｌ 卜Ｍ （ ２ ） ）
Ｙ ＋ ＝ ＋６ Ｔ
◇ 科技论坛◇
科技 嚣向导
２ ０ １ ４ 年２ ９ 期
高速公路机电系统设备维护费用预测
张 方 兰
（ 重庆交通大学 中国来自重庆４ ０ ０ ０ ７ ４ ）
所以简单平均移动法只适用 于时间序 列变化 比较平 高速公路 机 电系统是高速公路 的重要组成部分，主要 由通信 、 收 给预测带来偏差 费、 监控 和配 电四大部分构成 。由于设备种类繁多 ， 型号 复杂 ， 设备维 稳 的近期预测 当数 据的随机 因素较 大（ 数据 变化趋势 剧烈 ） 时， 宜 选用较 大 的 护维修需要根据设备 的不 同品牌型号 、 规格参数 、 安装地点 环境 、 使用 这 样有利于较大限度 的平 滑由随机性 带来的严重偏差 ， 反之 ， 当数 年 限及 功能作用等不 同情 况 ， 采取不 同的维护计划 及维修策略 ， 以最 Ｋ． 大 限度 的保证系统 的正常运营 ，降低设备故 障造 成的风险 和各类损 失 本 文对该部分 的维 护成本进行测算模型 的探讨 。 时间序列是 由同一现象在在 不同时 间上 的相继观察值 时间排列 而成 的序列 ， 也称 时间序列 、 动态序列 。 时 间序列预测法是一种应用较 广 的定量预测方法 ． 通过 对时 间序列 数据的分 析 ． 掌握经济 现象随时 间的变 化规律 ． 从 而预测其 未来 时间序列预测法被 广泛地应用在天 文、 气象、 水文 、 生物和社会 经济等方 面的预测 。一般 把时间序列 中的 各 种可能 的作用 因素进行分解 按它们 的作 用效果进行分 类分解如
＝
豫
加 权移动平 均法更 能反 映实际情况 ， 关键在于权重 的确 定。一般 地． 可根据经验选取几组权重试算 ． 比较预测相对误差 ． 从 中选取 与实 ① 长期趋势 （ Ｔ ｔ ） ， 代 表时间序列的趋 势水平 。 ②循 环变 动（ ｃ ｔ ． ） ， 是 以数 日、 月、 季或年为周期的一种周期变动。 际数据拟合较好 的权重用于预测 。 为了避免利用移动平均法预测有趋势 的数据时产生 系统误差 ． 发 ③ 季节变动ｆ ｓ ｔ １ ． 是指 以一年 为周期 ， 经 济变量随季节变 化而变化 展了线性 二次移 动平均法 。这种方法 的基础是计算二次移动平均 ． 即 的周期 性变动 在对实际值进行 一次移 动平均 的基础上 ， 再进行一次移 动平 均。然 后 ④ 不规则 变动 ｆ Ｉ ｌ １ ， 也称 随机变 动 ， 是指 由意外 的 、 偶然性 因素 引 利 用滞后偏差 建立线性预测模 型 ． 然后用模 型 起的 ， 突然发生的 、 无周期的随机波 动 。 以上这 ４ 种 变动 是时间序列变 在二次移动的基础上 ． 动的 ４ 种形态 ． 时间序列变动是以上 ４种变动或其 中几种变动 的综合 进行预测 计 算方法 为 ： 线性二次移动平 均法的通式为 ： 叠加 ． 是它们综合作用的结果。
时间序列的分解模型可分为加法模型 、 乘法模型 、 混合模型。 其中 常用的是乘法模型 （ 季节指数法 ） 和加法模型 （ 季节变差法 ） 。 常用的时 间序列 预测法 主要包 括 ： 移 动平均法 、 指数平 滑法 、 自适应过 滤预 测 法、 趋势外推法等 ①乘法模型 （ 季节指数法 ） ｙ ＝ ｓ ， ｃ
Ｓ ｔ ｅ ｐ ２ ： 从 Ｙ 中剔除 Ｔ ＊ Ｃ ， 得到 Ｓ Ｉ ＝ Ｙ ／ Ｔ ＇ Ｃ ； Ｓ ｔ ｅ ｐ ３ ： 对Ｓ ＊ Ｉ 进行按月 （ 季） 平均 ， 剔除 Ｉ ， 得到 ｓ ； ｓ ｔ ｅ ０ ４ ： 对 Ｙ建立长期趋势方程 ． 求出 ｒ ｒ ＝ Ｓ ｔ ｅ ｐ ５ ： 从ｓ ｔ ｅ ｐ １ 的Ｔ ＊ Ｃ中剔 除 ｓ ｔ ｅ ｐ ４中求得 的 Ｔ ， 得到 ｃ ＝ Ｔ ｃ ， Ｉ ＇ ； Ｓ ｔ ｅ ｐ ６ ： 根据长期趋势求出的 Ｔ ． 判断循环指数 ｃ ： Ｓ ｔ ｅ ｐ ７ ： 预测模 型为Ｐ ＝ ５ Ｃ 进行 预测。 ②加法模型 （ 季节变差法 ） 分解基本思路 ： Ｓ ｔ ｅ ｐ １ ： 以时间 ｔ 为 自变量 ， 对 Ｙ建立长期趋势方程 ． 求出 Ｔ ； Ｓ ｔ ｅ ｐ ２ ： ｓ Ｉ ＝ Ｙ — Ｔ 。 求出不 同年度 同一 季节的平均季节差 ． 进行修 正 得到各季节的季节变差 ｓ ； Ｓ ｔ ｅ ｐ ３ ： 从Ｓ ＊ Ｉ 中剔除 Ｓ ， Ｉ ＝ Ｓ ＊ Ｉ — Ｓ ， 随机变动无预测价值； Ｓ ｔ ｅ ｐ ４ ： 预测模型 ． ， ＝ ＋ ｓ ， 。 下 面对移动平均法 和指数平滑法 的预测模型进行详细说 明：
其 中Ｔ为预测超前期数 。 二次移动平均法 ， 即可用于近期预测 ． 也 可用于远期预测 ． 一般来说 ， 远期预测误差 比较大 。 二次移动平均法 比 较适用于具有较强线 性趋势 的时间序列预测 。
２ 旨 数 平 滑 法
指数平滑法是对移动平均法的 改进
下：
据 的随机因素较小 （ 数据变化趋 势平稳 ） 时， 宜选用较小饿 Ｋ ， 这样有 利 于跟踪数据 的变化 ， 并且预测值滞后的期数也少。 为 克服简单移动平均 预测法 中将远 期数据 和近期 数据 同等看待 的缺陷． 采取对近期数据给予较大权重 ． 对远期数据给予较小权重 。 下 面我们详细说 明： 设 时间序列 为 Ｙ１ ， Ｙ ， ． ． ． ， Ｙ 一 移动平均法可 以表示为 ：