【数据挖掘】时序模式-白噪音-时序图-ADF检验-一阶差分-acf && pacf（2021-11-11

最新推荐文章于 2025-02-09 22:53:54 发布
最新推荐文章于 2025-02-09 22:53:54 发布
阅读量7.3k 收藏 31
点赞数
分类专栏： BNUZ 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CeciliaXinn/article/details/121275772
版权
这篇博客介绍了时序模式分析，包括纯随机序列的生成、白噪音检测、时序图、ADF检验、一阶差分、自相关图和偏自相关图的查看。通过Python生成数据并进行分析，讨论了随机序列在不同数据量下是否保持平稳，以及如何判断序列的平稳性，并探讨了平稳序列和1、2阶平稳序列的特性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

时序模式

2、 根据课堂上所讲的概念，编写程序产生以下时间序列数据（时间可以简化用1,2,3. . . . .表示），每种类型数据至少20条数据。并根据自己想法，使用程序画出相应的图。

一、 纯随机序列

1、生成随机数据

通过random生成list后将list转化为DataFrame形式

image-20211111184649417
2、白噪音检测查看是否为随机序列
image-20211111194201897 image-20211111194141404 image-20211111194832708

这里可以看到p值为0.47690937，可以认为是一个随机序列

原假设：是随机的，即改序列为白噪声序列。

  • p值大，接受原假设；
  • p值小，拒绝原假设。

分割线：0.05。 0.05置信区间以下，可以认为出现显著的自回归关系ÿ

最低0.47元/天 解锁文章
matlab_box-jenkin的模糊模型
06-08
可以使用ADF（Augmented Dickey-Fuller）检验来确定是否需要进行差分。 2. 选择模型阶数：通过观察自相关函数（ACF）和偏自相关函数（PACF）图，可以帮助我们确定AR和MA的阶数p和q。ACF显示了当前值与过去值之间的...
机器学习——时间序列ARIMA模型(一)：差分法详解
AI~天海的博客
05-01 1万+
机器学习——时间序列ARIMA模型(一)：差分法详解 一、所需数据的性质 平稳性 样本数据需随着时间序列而发生变化，且序列的均值和方差不发生明显变化。 预测出在未来的一段期间内数据顺着现有的“惯性”延续下去 现实案例如：股价预测，人口增长率预测 严平稳与弱平稳 严平稳：分布不随时间的改变而改变(期望为0，方差为1) 弱平稳：期望与依赖性不变(未来的值依赖于过去的值) 二、差分法 例如我们现在有一组数据，其随着时间的变化而呈现如下图趋势变化。 那么我们需要将此数据的方差变小，即让此曲线能够更平稳，进而使用我
一阶差分（First Difference）
ScapeD的博客
12-11 3万+
时间序列的处理方法： 对相邻时期做差分所构成的对时间序列的转换，即用后一时期减去前一时期。
时间序列分析（二）——平稳性检验
最新发布
weixin_74268817的博客
02-09 1377
总结时序分析中平稳性检验的必要性，以及常用的方法。
一阶差分单位根检验_论文之路3：单位根检验ADF
weixin_39635657的博客
12-24 1万+
国庆假期呆瓜居然还瘦了几斤，虽然吃吃喝喝不少，但大部分都没吃饱，真羡慕那些假期还能长肉的！！假期里，呆瓜在论文上的进展几乎没有，不是没有时间，而是呆瓜偷懒去思考一些其他的问题和问题的描述/定义。呆瓜对EMD分解有了一个初步的学习了解后，按计划接下来要学习VAR模型。在刚刚学习VAR模型时，呆瓜了解要使用VAR模型，首先要检验时间序列是否平稳，如果平稳则可以建立VAR模型，如果不平稳，那么...
用Python实现时间序列模型实战——Day 3: 时间序列数据预处理
qq_41698317的博客
08-28 1726
通过这些预处理步骤，我们能够将原始的非平稳时间序列转化为平稳序列，从而为后续的时间序列建模（如 ARIMA 模型）奠定基础。差分后的数据不再表现出明显的趋势，变得更加平稳，适合进一步的时间序列建模。：使用 12 个月的窗口计算的 SMA 平滑了数据，使得趋势更加明显，同时保留了数据中的季节性成分。差分运算是时间序列平稳化的一种方法，通过计算相邻时间点的差值来消除序列中的趋势和季节性成分。：差分后的序列消除了线性趋势，数据围绕零上下波动，说明差分操作有效地去除了趋势成分。
ACF/PACF，残差白噪声的检验问题
weixin_30758821的博客
12-26 1万+
关于自相关、偏自相关： 一、自协方差和自相关系数 p阶自回归AR(p) 自协方差 r(t,s)=E[X(t)-EX(t)][X(s)-EX(s)] 自相关系数ACF=r(s,t)/[(DX(t).DX(s))^0.5] 二、平稳时间序列自协方差与自相关系数 1、平稳时间序列可以定义r(k)为时间序列的延迟k自协...
时间序列分析结课论文-平安银行股市收盘价的时序模型研究
07-25
通过对差分后的数据进行自相关函数（ACF）和偏自相关函数（PACF）的分析，可以确定AR和MA模型的最佳参数。文中通过热力图展示了不同参数组合下的AIC值，最终选择了AR=5, MA=5作为最优参数进行模型训练。 #### 五、...
精品（2021-2022年）资料试验一异方差的检验与修正时间序列分析.doc
09-27
在案例中，通过对一阶差分序列进行ADF检验，确认了d=1，即需要一次差分使序列变为平稳。然后，通过ACF和PACF图来识别p和q的值，这些值将决定ARIMA模型的具体形式，例如ARIMA(p,d,q)。 模型识别后，会使用最小二乘法...
精品资料（2021-2022年收藏的）试验一异方差的检验与修正时间序列分析.doc
11-15
2. 判断序列的平稳性：通过时序图观察数据的趋势，然后计算ACF和PACF，以确定是否需要进行差分。 3. 对数处理：如果序列有明显的趋势，可以先进行对数转换以减少波动。 4. 差分：根据ACF和PACF的特性，确定差分次数...
Sarima时序预测PDF&Markdown.zip
05-29
1. 数据探索：首先检查时间序列数据的平稳性，通过绘制时间序列图、计算ADF（Augmented Dickey-Fuller）检验等方法判断是否需要进行差分。 2. 季节性检测：通过季节性差异或季节性单位根检验确定数据是否存在季节性...
时间序列分析之ADF检验
xu624735206的博客
12-07 3万+
时间序列分析之ADF检验一、ADF检验二、单位根三、ADF检验的原理四、ADF检验的python实现1.引入库2.函数说明五、时间序列分析1.使用IH2112股指期货数据为例2.使用IH2112股指期货数据为例3. 将数据进行一阶差分滞后 一、ADF检验 在使用很多时间序列模型的时候，如 ARMA、ARIMA，都会要求时间序列是平稳的，所以一般在研究一段时间序列的时候，第一步都需要进行平稳性检验，除了用肉眼检测的方法，另外比较常用的严格的统计检验方法就是ADF检验，也叫做单位根检验。 ADF检验全称是 A
如何根据自相关（ACF）图和偏自相关（PACF）图选择ARIMA模型的p、q值
热门推荐
小白的编码屋
09-30 13万+
这两天有朋友在之前????这篇文章 ????里面评论询问如何通过自相关（ACF）和偏自相关（PACF）图找到p、q值？下面掌柜就详细阐述一下。 PS：这里假设你已经知道AR、MA、以及ARIMA模型是什么。 首先，使用ARIMA模型拟合一组（非季节性）时间序列数据时，一般的流程如下图（掌柜网上找的，侵权可删）： 由第4步，我们可以知道差分数据的自相关（ACF）和偏自相关（PACF）图是用来确定所有候选模型的。 其次，该如何用ACF和PACF图找所有可能的候选模型呢？ 这里可能的候选模型有MA模型和
时间序列分析
qq_41542141的博客
09-30 1646
时间序列分析在于检验不同时间的样本分布，这里不同时间是以时滞k来说明， 一：相同时间的样本分布 简单的时间序列比如当k=0时，cov(Yt1,Yt1)cov(Y_{t_1},Y_{t_1})cov(Yt1​​,Yt1​​)是为等于方差，所以相同分布，协方差就等于方差，相关系数为1， ...
【机器学习】时间序列 ACF 和 PACF 理解、代码、可视化
fengdu78的博客
02-14 1万+
我们说时间序列可以被预测，主要基于以下事实：我们可以部分掌握影响该时间序列的因素的变化情况。换句话说，对时间序列进行预测，其实就是利用各种理论和工具，对观察到的时间序列进行“抽丝剥茧”，以试图掌握其变化的本质，从而对未来的表现进行预测。而自相关性是时序预测的基础，对于时序的平稳性、白噪声检测、确定 模型中的阶数（p/q）有着重要的作用。本篇将着重介绍自相关的概念 和 。ACF 自相关函数概念理...
时间序列ARIMA
友培的博客
02-18 2787
文章目录ARIMA验证平稳性差分ARMAARMAACF(自相关函数)PACF(偏自相关函数)综合考虑理清思路 ARIMA 传送门：https://www.bilibili.com/video/BV1dT4y1V7qW?p=3&share_source=copy_web 验证平稳性 要求我们用其时间特性的时候，就得需要该样本数据的均值和方差不发生明显的变化，就是按照现有的形状拟合延续 严平稳：数据的分布不随时间的改变而改变 弱平稳：未来某个时刻的数值依赖于过去的信息，有其依赖性 差分 时间序列t时刻与
时序数据学习笔记（四）
HughYue1990的博客
09-16 1211
时序数据预测MA模型测试学习笔记
Eviews简记——时间序列建模
积一时之步，臻千里之遥程
08-15 2万+
最近写论文建模时，需要用到eviews软件。 以前学过，但是基本忘了，前来做个记录。 创建工作文件 在命令输入窗口键入命令 Create 时间频率类型 起始期 终止期 例如 创建一个1990年到2004年的时间数据工作文件，则需键入命令： CREATE A 1990 2004 创建一个1990年1月到2004年12月的时间数据工作文件，则需键入 命令： CREATE M 1990：1 2004：12 序列的创建 Series 序列名 Series 序列名1 序列名2 序列名3 genr 序列名 =
时间序列-相关性-ACF PACF CCF
try_trying_try的博客
05-17 3921
①当时间间隔为0的时候，相关系数为1，很显然，每个点和自己都是完全相关的。当时间间隔大于1，相关系数便只是在0附近波动，说明不同时间点的单日收益相关性不大。当序列为高阶时，存在滞后相关性，于是可以使用更适用的ADF检验。不过大致上，我们可以认为沪深300的单日收益和其它交易日关联度不大。描述了一个观测值和另一个观测值之间的自相关，包括直接和间接的相关性信息。图中有个别间隔的序列相关系数超过置信区间，说明子序列还。时间轴上的曲线图，是给定时间段以及每个时间点的随机变量得到。If波动，波动幅度也是固定的。
ARIMA-BP联合预测
01-14
### ARIMA-BP联合预测模型的实现与应用 #### 1. ARIMA-BP联合预测模型简介 ARIMA-BP联合预测模型结合了自回归积分滑动平均模型（ARIMA）和反向传播神经网络（BP Neural Network）。这种组合旨在发挥两种方法的优势：ARIMA擅长捕捉线性关系并处理非平稳时间序列，而BP神经网络则能更好地拟合复杂的非线性模式。通过先使用ARIMA对原始数据进行预处理，去除趋势性和季节成分，再利用BP神经网络进一步学习残差中的潜在规律，可以提高整体预测性能。 #### 2. 数据准备阶段 对于给定的时间序列数据集，在构建ARIMA-BP混合模型之前，通常需要完成如下几个步骤： - **数据清洗**：删除异常值、填补缺失值等操作。 - **探索性数据分析**：绘制时序图观察是否存在明显趋势或周期特性；计算ACF/PACF函数辅助判断可能存在的滞后效应。 - **检验平稳性**：采用ADF单位根测试验证原序列是否满足弱平稳条件[^3]。 ```matlab % ADF Test for Stationarity Check [h,pValue,stat,critValue,reg]=adftest(data,'model','ARD'); disp(['Is the series stationary? ', num2str(h)]); ``` #### 3. 构建ARIMA部分 一旦确认输入信号具备一定的稳定性，则可以根据样本统计特征选择合适的p,d,q参数来定义ARIMA(p,d,q)，并通过极大似然估计法求解最优系数矩阵θ̂ 。值得注意的是，当面对具有较强记忆特性的长期依赖结构时，还可以考虑引入分数阶差分项f以增强描述能力。 ```matlab % Fit an ARIMA Model to Data Mdl = arima('Constant',0,'D',1,'Seasonality',12,... 'MALags',[1 12],'SMALags',[],'Variance',NaN); EstMdl = estimate(Mdl,data); residuals = infer(EstMdl,data); % Extract Residual Series ``` #### 4. 训练BP神经网络模块 接下来基于上述得到的残差序列作为新的训练目标y* ，设计一个多层感知机架构用于逼近剩余误差分布情况。具体来说，就是选取适当数量隐藏节点数h以及激活函数形式σ() 来搭建前馈型全连接层，并借助梯度下降算法迭代更新权重w直至收敛至全局极小点附近位置停止优化过程。 ```python from sklearn.neural_network import MLPRegressor nn_model = MLPRegressor(hidden_layer_sizes=(5,), activation='relu', solver='adam', max_iter=2000) nn_model.fit(X_train, y_residuals) # X_train should be lagged residuals or other features ``` #### 5. 综合输出最终结果 最后一步便是将两个子系统的贡献相加起来形成总的预期值ŷ ：一方面来自ARIMA部分所产生的基础估计值μ̂ ;另一方面则是由经过调校后的ANN所给出调整增量Δ̂ 。如此这般便完成了整个流程的设计思路介绍。 ```matlab forecast_arima = forecast(EstMdl,numPeriods); final_forecast = forecast_arima + nn_model.predict(lagged_features); ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值