数学建模_ACF&时间序列分解

1. 自相关函数（ACF）

1.1 概念介绍

自相关函数（Autocorrelation Function, ACF） 是描述时间序列数据与其滞后值（即前期值）之间相关性的统计工具。它可以帮助我们识别时间序列中的周期性、趋势和随机性。

• 自相关系数：度量时间序列在不同滞后期之间的相关性，取值范围为[-1, 1]。
  • 1：完全正相关
  • -1：完全负相关
  • 0：无相关性
• 滞后期（Lag）：指时间序列中某个数据点与前面（或后面）某个数据点之间的时间间隔。

1.2 数学定义

1.3 ACF的用途

• 识别周期性：观察自相关系数在不同滞后期的变化情况，识别数据的周期性。若在某个特定滞后期上自相关系数达到高峰，可能表示该时间序列存在一个周期。
• 判断随机性：若ACF在所有滞后期上都接近零，表示时间序列可能是随机的。
• 模型选择：在时间序列建模（如ARIMA模型）中，ACF图有助于选择合适的模型阶数。

1.4 Python实现ACF

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf

# 生成一个示例时间序列数据
np.random.seed(0)
time_series_data = np.cumsum(np.random.randn(1000))  # 随机漫步时间序列

# 绘制时间序列
plt.figure(figsize=(10, 4))
plt.plot(time_series_data)
plt.title('Time Series Data')
plt.show()

# 计算并绘制ACF图
plot_acf(time_series_data, lags=40)
plt.show()

---

2. 时间序列分解

2.1 概念介绍

时间序列分解（Time Series Decomposition） 是将时间序列分解为几部分（通常包括趋势、季节性、周期性和随机噪声），以便更好地理解时间序列的组成结构。

• 趋势（Trend）：时间序列中的长期上升或下降趋势，反映了数据随时间的整体方向。
• 季节性（Seasonality）：时间序列中的重复模式或周期性波动，通常与季节变化、周期性事件相关。
• 周期性（Cyclic）：比季节性更长的波动模式，通常与经济周期、市场周期等相关。
• 随机噪声（Residual/Noise）：时间序列中的不规则波动或误差，无法用趋势、季节性或周期性解释。

2.2 数学公式

• 加法模型：

• 乘法模型：

2.3 时间序列分解的用途

• 识别趋势：分离出数据的长期趋势，帮助进行趋势分析。
• 季节性调整：去除季节性分量，使得对趋势和周期性的分析更加清晰。
• 噪声分析：研究随机噪声的行为，识别数据中的异常值或模式。

2.4 Python实现时间序列分解

from statsmodels.tsa.seasonal import seasonal_decompose

# 使用乘法模型进行时间序列分解
result = seasonal_decompose(time_series_data, model='multiplicative', period=12)

# 绘制分解结果
result.plot()
plt.show()

在上述代码中，seasonal_decompose函数用于将时间序列分解为趋势、季节性和随机分量。参数model='multiplicative'表示使用乘法模型，period=12假设周期性为12（例如每年有12个月）。

---

3. ACF与时间序列分解的结合使用

3.1 识别季节性

通过ACF图，可以识别时间序列中的季节性特征。如果在某个滞后期（如12个月）处出现显著的自相关性，数据可能存在年周期性。

3.2 解释分解结果

通过时间序列分解，可以更清晰地看到季节性、趋势等分量，然后通过ACF图分析残差（噪声）的相关性，检查是否存在其他未解释的周期性或趋势。

# 分解时间序列
result = seasonal_decompose(time_series_data, model='multiplicative', period=12)

# 取出残差部分进行ACF分析
residual = result.resid.dropna()

# 绘制残差的ACF图
plot_acf(residual, lags=40)
plt.show()