【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
时间序列平稳性分析和白噪声检验
qq_34229228的博客
05-20 1万+
文章目录一、ADF检验1、ADF检验原理2、ADF的python实现二、肉眼观察自相关图和偏相关图 原始的负荷时间序列曲线 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。 1、ADF检验原理 ADF检验就是判断序列是否存在单位根：如果序列平稳，就不存在单位根；否则，就会存在单位根。 所以，ADF检验的 H0
一阶差分单位根检验_EVIEWS单位根检验
weixin_39518002的博客
12-24 1万+
很多模型都需要序列平稳，因此我们在建模之前都需要做变量的单位根检验。单位根检验最常用的方法就是ADF检验，因此我们以ADF检验为例演示一下单位根检验的做法。以y这列数据为例：View-unit root test在单位根检验的设置这块需要确定两个问题：1.必须定义合理的滞后阶数。最佳滞后阶数主要根据AIC准则判定，通常方法是当你选择好检验方式，确定好常数项、趋势项选择后，可以从0开始尝试...
ARIMA 时间序列1: 差分, ACF, PACF
sanjianjixiang的博客
01-11 1万+
ARIMA ARIMA(p，d，q)模型全称为差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model,简记ARIMA). 自回归（AR），差分（I），移动平均（MA） 趋势参数： p：趋势自回归阶数。 d：趋势差分阶数。 q：趋势移动平均阶数。 ACF 与 PACF 自相关函数 ACF (autocorrelation funct...
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...
时间序列分析（二）——平稳性检验
最新发布
weixin_74268817的博客
02-09 1864
总结时序分析中平稳性检验的必要性，以及常用的方法。
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...
时序分析 34 - 时序预测 从ARIMA到SARIMAX(三) Box-Jenkins方法
weixin_43171270的博客
05-27 1493
时序分析 34 时序预测 从ARIMA到SARIMAX(三) Box-Jenkins方法 上一篇我们进行了数据探索，本篇我们将介绍Box-Jenkins时序预测方法论，并开始进行ARIMA建模。 Step 3. Box-Jenkins Method 方法简介 为了实践整个(S)ARIMA(X)模型构建过程，我们将参考Box-Jenkins Method。请参考下图， 此数据集种有500个时序，我们只针对2号仓库的28号商品进行预测建模。 我们将尝试回答如下问题： 时序是否平稳 如果时序不平稳，如何将其转
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...
数据挖掘--挖掘建模-时序模式-ARIMA模型
见贤思齐
09-08 1740
代码与数据来源：Python数据分析与挖掘实战 原始数据： 日期 销量 1/1/2015 3023 1/2/2015 3039 1/3/2015 3056 1/4/2015 3138 1/5/2015 3188 1/6/2015 3224 1/7/2015 3226 1/8/2015 3029 1/9/2...
一阶差分序列garch建模_探讨黄金价格实证分析中ARIMA-GARCH模型的应用
weixin_39837124的博客
12-20 3032
一、引言(一)研究背景本文所涉及的黄金是具有金融属性且被多方面因素影响的一种产品，黄金投资者、生产者的价值行为根植于其价格变化上。黄金价格的动态演变过程也反映了金融市场中经济行为主体的投资决策，黄金价格的动态演变过程也是一种数据生成的过程。国内外学者对黄金价格趋势研究所使用的方法很多但具有一定的局限性，如供需法、美元法、成本法、回归模型法等。本文将利用时间序列相关理论对伦敦黄金交易市场的黄金价格建...
时间序列数据的白噪声检验
Aigcl的博客
10-11 1万+
问题起源 只有数据平稳，才可以借数据。 只有借数据，才可以做分析。 什么是白噪声序列 白噪声序列也称为纯随机序列，它满足两个性质 1）数据是平稳的 2）t≠s的时候，方差为0，说明t和s没有线性的关系 白噪声的性质 在白噪声的图上，我们无法抓到规律，因此，我们把握以下性质： 1）纯随机性 各序列值之间没有任何的相关关系，即为“没有记忆”的白噪声序列 2）方差齐性 方差等于一个常数。 根据Markov定理，只有方差齐性假设成立时，用最小二乘法得到的未知参数估计值才是最准确有效的。 （数据平稳一定同方差）
白噪音及其检验
allen的博客
03-21 1万+
白噪音 定义1：如果时间序列{εt,t=1,⋯T}\{\varepsilon_t, t = 1, \cdots T\}{εt​,t=1,⋯T}满足如下条件，则称该时间序列为白噪音序列 E(εt)=0,Var(εt)=σ2E(\varepsilon_t) = 0, Var(\varepsilon_t) = \sigma^2E(εt​)=0,Var(εt​)=σ2 E(εt×εs)=0,∀t≠s...
python时间序列分析航空旅人_时间序列分析-ARIMA模型（python）
weixin_39950010的博客
11-29 448
时间序列概念：在生产和科学研究中，对某一个或者一组变量 进行观察测量，将在一系列时刻 所得到的离散数字组成的序列集合，称之为时间序列。时间序列分析是根据系统观察得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。常用的时间序列模型有很多种，在本文中主要研究ARIMA模型，也是实际案例中最...
一阶差分序列garch建模_基于时间序列的股票价格走势分析
weixin_39756416的博客
12-20 3344
摘要：随着当代经济的不断发展，金融市场已经成为经济发展的重要部分，而股票市场作为金融市场的重要组成部分，便与国民经济密切相关。对于投资者而言，如何及时了解价格波动从而准确分析股票市场行情，是决策过程中的一个关键问题;对于股票市场的管理者来说，如何把握股市动态，从而营造稳定健康的交易环境，也是一项非常艰巨的任务。因此，更好地了解股市的波动特征，以及从中探索某些规律，对我们学习金融理论和进行金融实践都...
bagging和时间序列预测_时间序列预测(中)
weixin_39866874的博客
11-27 224
上一篇文章我们介绍的时间预测的方法基本都是通过历史数据直接求平均算出来的的。这一篇讲一些用模型来预测的方法。(p)模型先讲第一个AR模型，AR的全称是Auto Regression，表示自回归，大家应该都知道普通的回归方程，都是用x去回归y，这里的x和y一般不是同一个东西。而我们这里的自回归顾名思义就是用自己回归自己，也就是x和y都是时间序列自己。具体的模型如下：上面模型中，Xt表示t期的值，当期...
一阶差分时间序列分析：原理、应用与实例
智能科技前沿
08-28 1264
一阶差分是指对于时间序列 ( X_t )，计算相邻两个时间点之间的差值，得到一个新的序列 ( \Delta X_t )：其中，( X_t ) 是时间点 ( t ) 的观测值，( X_{t-1} ) 是前一时间点 ( t-1 ) 的观测值。一阶差分是时间序列分析中重要的预处理步骤，尤其在处理趋势明显的非平稳序列时，通过差分可以得到一个更加适合建模分析的平稳序列。如果你有具体的时间序列数据需要分析，我可以进一步帮助你进行实际的计算和模型应用。
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）
热门推荐
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
qq_41542141的博客
09-30 1669
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， ...
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