时间序列模型matlab代码

以下是一个简单的基于ARIMA模型的时间序列预测的MATLAB代码示例：

% 假设我们的时间序列数据已经存储在一个名为data的向量中
% 对数据进行差分以使其变为平稳序列
diff_data = diff(data);

% 确定ARIMA(p,d,q)模型中p, d和q的合适值
% 我们可以使用自相关函数（ACF）和偏自相关函数（PACF）来帮助我们确定合适的值
% 这里我们使用Yule-Walker方法来估计AR模型的系数
max_lag = 20;
[acf, lags] = autocorr(diff_data, max_lag);
pacf = parcorr(diff_data, max_lag);

% 可视化ACF和PACF
subplot(2,1,1)
stem(lags, acf)
title('ACF')
subplot(2,1,2)
stem(lags, pacf)
title('PACF')

% 根据ACF和PACF的图形我们确定ARIMA(2,1,2)模型
% 为了确定模型的系数，我们使用最小二乘法来拟合模型
mdl = arima(2,1,2);
est_mdl = estimate(mdl, diff_data);

% 使用拟合的模型进行预测
n_pred = 12; % 预测未来12个时间点的数据
forecast_data = forecast(est_mdl, n_pred);

% 可视化预测结果
figure
hold on
plot(data, 'b')
plot(length(data):length(data)+n_pred-1, forecast_data, 'r')
legend('原始数据', '预测数据')
title('时间序列预测')

需要注意的是，这段代码仅仅是一个简单的示例，实际中可能需要根据具体的数据情况进行调整和优化。