基于Matlab的ARIMA电价预测与置信区间实现详解

电价预测在电力市场里是个经久不衰的课题。想把它做好，第一步往往不是急着选模型，而是把手里的历史数据吃透。我在实际做这个方向时，ARIMA模型是绕不开的基础工具——它不像LSTM那样需要大量样本和复杂调参，也不像XGBoost那样需要精心构造一大堆特征，它只靠电价序列自身的历史信息就能提取趋势和惯性结构，而Matlab里的计量经济学工具箱让整个流程落地非常快。

但今天想重点聊的不只是把ARIMA跑出来。很多入门分享只讲点预测，拟合一条曲线就说“看，预测得不错”，这在真实场景里远远不够。电价预测最终要服务决策，比如购电计划、售电竞价、风险对冲，这些决策都需要知道预测值的不确定范围，也就是说你得把置信区间一起算出来。这个置信区间不是后期拍脑袋加上的，而是ARIMA模型自身的理论输出，Matlab里几行代码就能拿到。

这篇文章会以Matlab代码实现为主线，把ARIMA电价预测的完整链路拆开讲：从数据预处理、平稳性检验、定阶、参数估计到预测，再到置信区间计算与可视化。每一步为什么这样做、哪里容易踩坑，我会结合自己实际跑过的场景来聊。内容既适合刚接触时间序列建模的读者，也适合已经用上机器学习模型、想补一个经典基准模型的同行参考。

1. 为什么电价预测需要ARIMA建模

1.1 电价数据的典型特征与建模难点

电价序列与普通金融序列相比有几类显著特征。首先，它有强周期性：一天之内，早高峰和晚高峰的价格上抬明显，凌晨低谷几乎贴近地板价；一周之内，工作日的价格水平和周末有明显差异；如果数据跨度足够长，还能看到季节性的冷暖负荷影响。其次，电价序列经常有尖峰和跳跃，比如极端天气、机组非计划停机、负荷突增，都会让价格瞬间冲到上限。这些特征意味着序列不平稳、分布厚尾、波动聚集，直接套用标准模型很容易出问题。

我在处理数据时的一个习惯是，先画出完整的价格曲线，不急着做任何变换。这个动作非常关键，因为肉眼能看出很多统计检验未必能马上暴露的问题：有没有明显的缺失段、有没有超出正常范围好几倍的异常值、有没有结构性突变。比如某一天的现货价格突然录到正常水平十倍，这时候如果直接拿去建模，后面所有估计都会被这个点带偏；先把它识别出来做合理修正，比任何高级算法都重要。

1.2 ARIMA的建模逻辑与适用边界

ARIMA模型的本质，是用序列自身的历史值、历史预测误差以及白噪声的线性组合来描述当前值。它把“趋势”和“随机波动”分开处理：d阶差分消去趋势，自回归部分捕捉序列自身的惯性，滑动平均部分捕捉不可直接观测的冲击效应。说白了，ARIMA认为电价今天的值，跟过去若干个时刻的值有关，也跟过去若干个时刻预测不准的地方有关。

但ARIMA也不是万能的。它假设线性关系、假设残差是白噪声、对突发尖峰和结构性突变应对能力有限。那为什么还要用？因为对大多数常规时段的电价数据，ARIMA已经能给出足够坦率的基准结果，而且计算成本低、可解释性强、结果稳定性好。我们实验室内部做模型对比时，ARIMA始终是那个“保底基准”——不管新模型多花哨，如果打不过ARIMA，那这个新模型就得好好复盘了。

为了把这个问题说透，我常给合作者看一张简单的对比表：

从这张表能看出，ARIMA在“基准预测+不确定性量化”这个组合任务上，性价比其实很高。

1.3 置信区间在电价预测里的实际价值

点预测给出的是一个数值，比如“明天下午四点电价是320元/MWh”。但实际决策不能只靠这一个数。假设你是售电公司，要决策要不要提前锁定一部分购电合约，你真正关心的不只是点预测，而是“价格超过某阈值的概率有多大”。置信区间刚好回答这个问题：如果95%的置信区间是[280, 360]，你心里对波动范围大概有个底；如果区间是[200, 440]，点预测虽然相同，但决策风险完全不同。

在Matlab里，ARIMA的forecast函数可以直接输出预测区间，不需要额外手写复杂的统计公式。这一点是ARIMA在这个场景下比很多黑盒模型强的地方：它给出了有统计依据的不确定性度量，而不是靠交叉验证凑出来的近似置信带。对电力市场分析人员来说，这种“白盒式”置信区间在报告和决策会议上也更容易解释。

2. 前期处理：从原始电价到可建模序列

2.1 数据清洗与异常值修正

我拿到的模拟数据是某区域电力市场连续半年的每小时现货电价，一共4320个点。第一步先检查缺失值——电力市场的数据偶尔会有通信中断或者记录缺失，如果缺失比例低于1%，直接用线性插值补齐基本没有副作用。这里不推荐用“前一天同时刻值”来代替，因为这会引入不必要的自相关污染，影响后面模型的残差判断。

异常值处理要讲策略。电价异常分两种：一种是真实的天价尖峰，比如供需极度紧张导致的超高价，这类是电力市场的真实信号，不能随便删，删了会影响后续预测对极端情况的判断；另一种是明显的数据错误，比如价格录成负数、突然跳变到十倍正常水平随后又回落。第二种才需要修正，常用方法是中位数滤波或者按“偏离滑动中位数超过若干倍MAD（中位数绝对偏差）”来识别，然后替换为滑动中位数附近的值。这个处理顺序一定要放在平稳性检验之前。

注意：不要一上来就删尖峰。先判断尖峰是市场真实行为还是数据错误，区分标准可以设定为一个可解释的物理阈值，比如超过历史日均价5倍且持续不到1小时的可疑值，再结合当日供需背景人工确认。

2.2 平稳性检验的两种思路

ARIMA建模有一个硬前提——序列必须平稳。所谓平稳，直观理解就是统计性质不随时间变化：均值不漂移、方差不明显变化、自相关结构相对稳定。电价序列原始数据通常不平稳，因为均值会随季节和负荷变化而上下起伏。

检验平稳性常用两类方法。一类是单位根检验，Matlab里的adftest和kpsstest就是干这个的，ADF检验的原假设是“存在单位根、序列不平稳”，如果p值小于0.05就拒绝原假设，认为序列平稳；另一类是通过自相关图辅助判断，如果自相关系数衰减得非常慢、接了十几阶还明显不为零，基本可以断定不平稳。实际操作中我都是两个都看，统计检验为主，自相关图做交叉验证。

% 假设price是原始电价序列 [h_adf, p_adf] = adftest(price); disp(['ADF检验p值: ', num2str(p_adf)]); % h_adf = 1 表示拒绝单位根原假设，序列平稳 % h_adf = 0 表示不能拒绝原假设，序列不平稳，需要差分

如果p值大于0.05，就需要做差分。差分阶数d该怎么选？原则是“能用一阶就不用二阶”——因为过差分会引入额外的移动平均分量，反而导致模型变复杂。观察差分后序列是否围绕零均值波动，再跑一次adftest，如果显著平稳就可以定d=1了。

2.3 周期项问题的处理方案

电价序列还有一个ARIMA直接处理不了的问题：24小时周期。ARIMA只能处理趋势性非平稳，对周期性非平稳通常需要先做处理。这里有两个常见思路。

第一个思路是直接对每个小时分别建ARIMA模型。24小时一个周期，就把数据按小时切分成24条子序列，每天0点的价格单独建模，每天1点的价格单独建模，以此类推。这个思路实现简单，每个子序列的均值水平和波动特征一致，ARIMA建模假设更容易满足，缺点是每个模型样本量变成原来的1/24，长周期信息利用不充分。

第二个思路是差分预处理，对序列做周期差分。如果周期是24小时，则从当前值减去24步前的值，从而将日内周期成分移除，接着再对残差序列做常规ARIMA建模。这个方法保留了全部样本，但需要注意差分后的序列可能引入额外的负自相关，建模时需要适当提高MA阶数来适配。

就我自己测试过的效果看，如果数据量超过一年、主要目标是日内预报，第一种方法通常整体误差更小；如果数据只有一两个月，第二种方法更稳，因为样本没有萎缩。很多论文里直接对原始电价套一个ARIMA(p,d,q)也能跑，但残差诊断时往往有很强的周期自相关，滚动预测效果会打折扣。至于进一步引申出的季节ARIMA模型（SARIMA）就是另一套话题了，这篇文章先把ARIMA的核心实现讲透。

2.4 训练集与测试集的划分原则

时间序列的划分跟普通机器学习不一样，不能随机打乱，只能按时间顺序切。我的习惯是留出最后7到14天做测试集，前面的做训练集。测试集只用来做最终评估，不能参与定阶调参，否则会严重高估模型表现。

trainLen = length(price) - 24 * 14; % 留出14天做测试 trainData = price(1:trainLen); testData = price(trainLen + 1:end);

这里的核心原则是：一切参数选择只基于训练集。你可以用训练集做滚动重估来模拟真实预测节奏，但绝对不要碰测试集，直到全部确定好、做最终预测那一刻。

3. Matlab中ARIMA定阶与参数估计

3.1 看图定阶：自相关图与偏自相关图

确定d之后，接下来是定p和q。经典的定阶方法是看差分后序列的自相关函数（ACF）和偏自相关函数（PACF）图。对应关系如下：如果ACF在滞后q阶后截尾，而PACF逐步衰减，倾向于MA(q)；如果PACF在滞后p阶后截尾而ACF拖尾，倾向于AR(p)；如果两者都拖尾，则需要用ARMA模型。

Matlab里直接两条命令：

d1 = diff(trainData); % 一阶差分 autocorr(d1, 'NumLags', 36); parcorr(d1, 'NumLags', 36);

我观察电价序列差分后，ACF和PACF通常都没有非常明显的截尾现象，而是以较慢的拖尾形式存在，这意味着纯AR或纯MA都不够，需要ARMA。这时候看图只能起到初步框定范围的作用，比如“p大概在1到3之间，q大概率不超过2”，细选就要靠信息准则。

3.2 信息准则与网格搜索

信息准则的本质是兼顾拟合优度和复杂度，防止过拟合。AIC和BIC是常用选择，两者的差异在于对参数个数的惩罚力度，BIC对复杂模型的惩罚更重。在Matlab中可以非常方便地遍历不同的(p,q)组合，逐个估计模型、计算信息准则值，最后选最小的那组。

best_aic = inf; for p = 0:4 for q = 0:4 mdl = arima(p, d, q); [est, estCov, logL] = estimate(mdl, d1, 'Display', 'off'); aicVal = aicbic(logL, p + q + 1); if aicVal < best_aic best_aic = aicVal; best_p = p; best_q = q; end end end fprintf('最优阶数: p=%d, d=%d, q=%d\n', best_p, d, best_q);

需要强调几点。第一，这里遍历的搜索空间不宜过大，p和q都放到5以内已经覆盖绝大多数典型场景，阶数过高反而容易让参数估计不稳定、信息准则优势也不明显。第二，aicbic函数需要传入估计的对数似然值logL和有效参数个数，如果差分后序列均值接近零，可以考虑去掉常数项，此时参数个数取p+q；如果保留常数项，则取p+q+1。第三，网格搜索是定阶的起点，不是终点，选出的最优阶数还需要配合残差诊断来验证——有些时候AIC最小的模型残差仍混有周期成分，那就要人工干预。

3.3 参数估计与残差诊断

阶数定好之后，直接用estimate函数拟合：

estMdl = estimate(arima(best_p, d, best_q), d1, 'Display', 'on');

拟合完之后必须做残差诊断。最基础的三件事：看残差是否还有显著自相关、残差是否近似正态、残差方差是否稳定。Matlab里可以用infer函数拿到残差，然后跑Ljung-Box检验：

res = infer(estMdl, d1); [h_lb, p_lb] = lbqtest(res, 'Lags', [10, 20, 30]);

如果Ljung-Box检验的p值大部分大于0.05，说明残差没有显著自相关，模型对数据的时序信息利用得比较充分；如果p值很小，说明还有结构没提出来，需要回去重新定阶或者处理周期项。这一步很多人跳过，但恰恰是判断模型能不能用的核心标准——AIC再低、拟合图再好看，残差带着自相关，滚动预测也会翻车。

4. 预测与置信区间的完整Matlab实现

4.1 forecast 函数的关键用法

Matlab的forecast函数是做ARIMA预测的核心入口。基本用法是：

horizon = 24 * 7; % 预测未来7天，共168小时 [YF, YMSE, V] = forecast(estMdl, horizon, 'Y0', d1);

这里有个容易忽略的细节：Y0传入的是用于条件预测的历史序列。如果用差分后的序列做预测，Y0要传差分后的序列，不是原始电价序列；同理，预测出来的YF也是差分尺度上的值，最终展示时需要通过累加差分反向变换回原始价格尺度。不少新手在这里直接传原始序列，结果模型内部把差分逻辑再算一遍，输出对不上。

再补充一个细节：forecast默认给出的预测区间是95%置信水平，想改成90%或者99%可以设置参数：

[YF, YMSE, V] = forecast(estMdl, horizon, 'Y0', d1, 'ConfidenceLevel', 0.90);

V矩阵是horizon×2的数组，第一列是下界，第二列是上界。注意这个上下界也是基于Y0条件的，所以跟点预测一样在差分尺度上，展示前要一起反向变换。YMSE是各预测时点的均方误差，也就是预测方差，把它开根号得到的标准误差配合正态分布分位数，实际上就是置信区间的基本构成，但Matlab封装好了，直接用V即可。

差分序列的反向变换可以用cumsum实现：

base = trainData(end); % 差分前的最后一个原始值 YF_original = base + cumsum(YF); lower_original = base + cumsum(V(:, 1)); upper_original = base + cumsum(V(:, 2));

由于差分是线性操作，置信区间同样可以通过相同变换映射回原始尺度，区间覆盖率在线性变换下保持不变。

4.2 置信区间的原理与结果解读

ARIMA的预测区间本质上是基于预测误差分布推导出来的。以AR(1)模型为例，一步预测误差的方差就等于白噪声方差；两步预测误差的方差则等于噪声方差乘以一个含自回归系数的系数；步数越大，预测方差积累越多，区间就越宽；当预测步数趋向无穷大时，区间宽度会收敛到一个与模型无条件方差有关的常数上。Matlab在内部把这条计算链用解析式算好了，不需要你手工推导。

实际打印出的95%置信区间，宽度通常呈现三段特征：近端较窄、中段逐渐变宽、远端渐趋稳定。也就是说，ARIMA对近期的把握是相当有底气的，越往远期越只能给一个“大致的波动范围”，但不会再无限恶化。这个特性对电价预测特别有意义：电价预测往往最关心未来一小时到未来一天的短期走势，而ARIMA恰好在这个范围内置信度较高。

但也要说清楚，这个置信区间是纯模型理论意义上的，它假设模型参数已知、误差服从正态分布。实际建模中参数是估计出来的，估计本身有不确定性，而且电价残差厚尾明显，所以真实的不确定性通常比理论区间提示的要大。做严谨的实战评估时，我会用滚动窗口的方式反复计算区间覆盖率，如果覆盖率长期低于名义水平，就调整展示区间的置信度，而不是硬套95%。

4.3 预测可视化与效果评估

预测结果不能只给一张表，画图是必须的。绘图代码的骨架如下：

t = 1:length(price); figure; hold on; plot(t(1:trainLen), trainData, 'Color', [0.2 0.4 0.6]); plot(t(trainLen+1:end), testData, 'Color', [0.8 0.3 0.3]); tPred = trainLen + (1:horizon); plot(tPred, YF_original, '--r', 'LineWidth', 1.5); % 置信区间填充 fill([tPred fliplr(tPred)], ... [lower_original' fliplr(upper_original')], ... [0.9 0.95 1.0], 'EdgeColor', 'none', 'FaceAlpha', 0.4); legend({'训练数据', '测试数据', '预测值', '95%置信区间'});

画出来的图里，最重要的观察点是：真实测试曲线落在置信区间内的比例有多少，这就是区间覆盖率。经验上，95%置信区间对电价这类厚尾数据，实际覆盖率往往会低于理论值——因为电价尖峰太多，误差分布并不完全正态。如果覆盖率明显偏低，比如不到70%，就说明模型对不确定性的估计偏乐观，这时候可以改用99%的区间来展示，或者考虑引入波动率模型对残差方差做进一步建模。

评估指标的程序化计算：

actual = testData(1:horizon); mae = mean(abs(YF_original - actual)); rmse = sqrt(mean((YF_original - actual).^2)); inside = mean(actual >= lower_original & actual <= upper_original);

MAE、RMSE是对点预测的评估，覆盖率是对区间预测的评估。两者结合才是一个完整的预测评价链。很多学术文章只报RMSE不说覆盖率，这对实际工程应用是不够的，因为对决策者来说，“未来这周价格落在什么范围内”往往比“平均偏差多少元”更有参考价值。

5. 实测经验与常见障碍排查

5.1 预测值发散或者漂移严重

ARIMA做多步预测时，预测值会逐渐收敛到序列的长期均值，这个过程是正常的。但如果预测值在几步之内就出现严重漂移，一般意味着模型参数出了问题。我遇到过两类常见情况。一类是过差分，d取大了，模型从平稳序列里提炼出多余成分，预测曲线会表现出异常的上升或下降趋势；解决办法是减小d，回到一阶差分，必要时直接处理趋势项。另一类是MA参数估计接近某个临界值，模型出现近不可逆性，预测误差方差不稳定，预测值发散；这时需要回看参数估计的标准误差，如果参数估计的置信区间包含了临界值，就要考虑降低q阶数或者使用约束估计。

5.2 置信区间过宽或者过窄

置信区间宽度直接取决于残差方差。如果区间宽得离谱，比如上下界相差上千元，首先检查训练数据是否包含少量极端异常值——这些点会把残差方差撑大好几倍，把异常值修正后区间马上收紧。区间窄得不像话的情况也有，常见原因是训练集数据过于“平静”，残差方差估计偏低，模型没有见过真实的尖峰波动；解决方案一是扩大训练窗口，把更多覆盖不同电价场景的历史数据纳入进来，二是直接使用更高的置信水平来适应实际决策需求。

5.3 残差仍有周期自相关

电价数据如果没做周期处理，残差自相关图在滞后24、48阶的地方会明显冒出高峰，这就是常说的周期残留。碰到这种情况别急着加p、q阶数，通常怎么加都压不下去，正确做法是回到数据预处理阶段，把24小时周期先行消解，比如使用2.3节中的按小时分组或周期差分策略。我见过不少项目在这个问题上浪费大量调参时间，原因就是没意识到问题根源在预处理而不在模型阶数。

5.4 模型参数不稳定

对于滚动预测场景，每隔一段时间就要用最新数据重新估计模型参数。如果每次重估出来的p、q阶数都不同，不必太惊讶——信息准则在一个平坦的最小值附近经常换选择，这很正常。但如果你发现估计的参数值本身剧烈抖动，比如AR系数从一个安全值跳到另一个方向，那多半是训练数据里最近一段时间有异常结构，比如发生了持续一周的特殊事件。这时候我会选择把异常段从训练数据中剔除，而不是让模型去强行适配它。

5.5 快速排查速查表

这里再补充一点个人经验：我始终建议在项目里保留一个“简单基线模型”作为对照。无论你最后用的是什么复杂模型，ARIMA这个基线永远值得保留。它训练快、结果稳定、自带置信区间，而且能在模型出问题的时候第一时间暴露异常。很多时候团队讨论半夜都说不清的预测问题，拿ARIMA一跑，问题到底出在数据还是模型，立刻就有线索了。做电价预测这个行当，能把基准线画准，比追求高精度的花活重要得多。

最后再分享一个我自己常用的判断技巧：拿到一组新数据，先用ARIMA跑一个24小时预测，画出置信区间，观察真实曲线的落点是否大致符合区间分布。如果偏差不大，说明数据结构比较健康；如果真实值经常冲出区间，那后面不管上什么高级模型都要先回去清洗数据。这套习惯我保持了很久，帮我避开了不少坑。