2 研究对象与方法

2.1 研究对象

本次调查以淮安市2014年全年的日均PM2.5浓度为调查范围。

2.2 研究方法

时间序列分析是一种动态数据参数化分析方法。客观现象都是处在不断发展变化之中，对现象发展变化的规律，不仅要从内部结构、相互关联去认识，而且还应随时间演变的过程去研究，这就需要运用时间序列分析方法。时间序列分析是一种广泛应用的数量分析方法，它主要用于描述和探索现象随时间发展变化的数量规律。时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。时间序列预测方法则是通过时间序列的历史数据揭示现象随时间变化的规律，将这种规律延伸到未来，从而对该现象的未来作出预测。传统的时间序列分析方法在经济中的应用，主要是确定性的时间序列分析方法，包括指数平滑法、滑动平均法、时间序列的分解等等。它对各类型数据用相应的数学模式去近似描述, 通过对于相应模式的研究分析, 可以更本质地了解数据地内在结构和复杂特征, 进一步达到由表及里、控制规律和预测未来地目的。对淮安市2014年全年的日均PM2.5浓度的时间序列分析是通过相应的数学模式近似描述它的趋势与规律。

　　时间序列分析预测法，首先将预测目标的历史数据按照时间先后的顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。拿到一个观测值序列之后，首先要判断它的平稳性，通过平稳性检验，序列可分为平稳序列和非平稳序列两大类。

如果序列值彼此之间没有任何向关性，那就意味着该序列是一个没有任何记忆的序列，过去的行为对将来的发展没有丝毫影响，这种序列我们称之为纯随机序列，从统计分析的角度而言，纯随机序列式没有任何分析价值的序列。来!自~优尔论-文|网www.youerw.com

如果序列平稳，通过数据计算进行模型拟合，并利用过去行为对将来的发展预测，这是我们所期望得到的结果。

ARIMA模型[4]全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列[5]，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。