P数据进行建模，发现模型拟合优度R达到0.92，完全满足实验要求。

识别出异常值，通过平滑处理，将这些异常值的影响降低到最小。

ARIMA(p，d，q)模型的数学公式：(1-φ1B-φ2B21+θ1B+θ2B2++θqBq)ε_t

“1.5%的误差.”

许青舟摇了摇头，“柯辰教授的要求有那么一点低。”

搞研究的，往往都会让自己的理论达到100分才满意，在某些时候，许青舟也有这样的执拗。

因此，在建模的过程中，除了按照基本模式编写模型外，还适当加入了些有趣的东西。

他通过最大似然估计（MLE）方法，构建了一个关于模型参数的代数方程，然后通过求解这个方程来得到模型参数的估计值。

又利用三角函数来描述季节性时间序列数据的周期性变化特征，并将其纳入ARIMA模型中进行拟合和预测。

另外，还用到了几何图形里的自相关函数（ACF）图和偏自相关函数（PACF）图，线性代数矩阵的求逆。

修复bug，减小误差值。

这个模型，将会强得可怕。

(本章完)