1.建立细节序列W1（t）的随机模型
通过计算机编程计算，小波分解细节序列W1（t）的均值
=-0.0162≈0，方差
=1.1948，偏态系数
=0.0373≈0，所以序列W（1t）近似于正态分布。
图5.15 各小波变换序列互相关图
对序列W1（t）分别进行自相关分析和偏相关分析，初步判定模型形式为滑动平均模型MA（q）。参考相关文献，判定模型阶数为1，属于MA（1）模型（丁晶等，1997；付强，2005）。对MA（1）模型参数进行估算，建立如下滑动平均模型：
采用BIC准则对MA（q）模型进行进一步识别。当q=1时，BIC达到最小值，说明初步确定的模型阶数为1阶是合适的。采用递推算法确定所构建MA（1）模型的残差序列εt，经过检验，残差项εt为独立随机序列。
由于MA（1）模型只能实现1步预测，因此应采用逐步向下滑动的预测策略，即采用ε1998预测
（1999），再将
（1999）加入原序列W1（t）求得ε1999，从而可以预测
（2000），其余以此类推。(www.xing528.com)
2.建立细节序列W2（t）和背景序列C2（t）的自回归模型
细节序列W2（t）和背景序列C2（t）为确定成分，可以借助于水文学中的自回归模型（略去随机变量εt）对序列W2（t）和C2（t）进行描述。
分别对序列W2（t）和C2（t）进行自相关分析和偏相关分析，并采用AIC准测，判定所需建立的W2（t）和C2（t）自回归模型阶数分别为4阶和3阶。
对于序列W2（t），选定k=1，2，3，4（偏相关系数超出95%容许限范围），则略去随机变量εt的AR（4）模型为：
对于序列C2（t），选定k=1，2，3（偏相关系数超出95%容许限范围），则略去随机变量εt的AR（3）模型为：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
