时序序列预测与自回归模型的相关调研

时序序列预测与自回归模型的相关调研

最近在做这相关的研究，看了不少相关理论与研究，记录一下这几天的调研结果。

平稳性分析

1. 平稳性检验:
2. 检验平稳性:
3. 平稳：格兰杰检验；
4. 非平稳：协整检验；

说明：协整检验中每个序列要求为单整，单整通俗的说就是做一次差分之后为平稳序列的序列。

ADF检验平稳性

需要statsmodels库支持，安装：pip install statsmodels。

statsmodels的API文档

from statsmodels.stats.diagnostic import unitroot_adf
unitroot_adf(sequence)

返回的值分别是：检验值、p-value、滞后阶数、自由度、(常数)显著性表

(-18.366072596009424, 2.2226297238330224e-30, 27, 3448, {‘1%’: -3.4322479625901536, ‘5%’: -2.8623786111734746, ‘10%’: -2.567216407968438}, -25430.320661028072)

非平稳序列的平稳方法–差分（神经网络结构中是通过残差连接实现的）

差分的方法获取平稳序列，一次不行就多次。但是，一旦差分其实我们丢失了原始序列的一些信息，而且往往很难从实际的意义上去解释差分后拟合的结果。

seq = seq[1:] - seq[:-1]

对残差进行异常值过滤（四分位数法）是个不错的滑动平均滤波方法。

# 四分位数滤波
def _diff_smooth(ts, timedelta=None):
    if timedelta is None:
    	timedelta = lambda minutes: minutes
    
    dif