基于 Python 的时序模型——AMIRA模型

时间序列分析的目的：给定一个已被观测了的时间序列，预测该序列的未来值

ARIMA 模型：如果一个时间序列经差分运算后具有平稳性，则该序列为差分平稳序列，可以使用 ARIMA 模型进行分析。

时间序列的预处理：

1.        平稳性检验：

                    时序图检验：平稳序列的时序图显示该序列值始终在一个常数附近随机波动，而且波动范围有界;

                                            非平稳序列有明显的趋势性或周期性。

                   自相关图检验：平稳序列具有短期相关性，即只有近期的序列值对现时值的影响比较明显，间隔越远的过去值对现时值影响越小。随着延迟期数k的增加，平稳序列的自相关系数会比较快的衰减趋向于0, 并在0附近随机波动

                                               非平稳序列的自相关系数衰减的速度比较慢。

                    单位根检验：存在单位根就是非平稳序列。

1.       纯随机性检验（白噪声检验）：由样本各延迟期数的自相关系数可以计算得到检验统计量，然后计算出对应的 p 值。如果 p 值显著大于显著性水平，则为白噪声序列，可以停止分析。</