时间序列的总结_时间序列总结-CSDN博客

本文链接：https://blog.csdn.net/G090909/article/details/104665799

总结工作中用到的时间序列相关内容。

1、指数平滑的理论

# 基础包里的函数HoltWinters()
# 非季节性简单指数平滑 — models level（即上面简单指数平滑法）
fit <- HoltWinters(myts, beta=FALSE, gamma=FALSE)
# 非季节性性趋势模型 - models level and trend
fit <- HoltWinters(myts, gamma=FALSE)
# 季节性序列分解- models level, trend, and seasonal components
fit <- HoltWinters(myts)

gamma 对应季节性；belta代表趋势斜率；alpha代表平滑系数，当alpha越接近0，临近预测的观测值在预测中的权重就越小【注意，这里与excel不同】。

2、自回归模型（AR)：

$X_t = \alpha_1X_{t-1} + \alpha_2X_{t-2} +...+ \alpha_pX_{t-p} + u_t$

当随机扰动项是一个白噪声（ $u_t = \varepsilon_t$ ），则称为一个纯AR（p）过程，记为：

$X_t = \alpha_1X_{t-1} + \alpha_2X_{t-2} +...+ \alpha_pX_{t-p} + \varepsilon_t$

自回归模型首先需要确定一个阶数p，表示用几期的历史值来预测当前值。

自回归模型有很多的限制：

（1）自回归模型是用自身的数据进行预测

（2）时间序列数据必须具有平稳性

（3）自回归只适用于预测与自身前期相关的现象（时间序列的自相关性）

自相关系数PACF（p）

3、滑动平均模型（MA)：

$u_t = \varepsilon_t + \beta_1\varepsilon_{t-1}+...+\beta_q\varepsilon_{t-q}$ ，其中 $\varepsilon_t$ 表示白噪声序列。

特别的，当 $X_t = u_t$ ，即时间序列当前值与历史值没有关系，而只依赖于历史白噪声的线性组合，就得到MA模型：

$X_t = \varepsilon_t + \beta_1\varepsilon_{t-1}+...+\beta_q\varepsilon_{t-q}$

4、自相关滑动平均模型（ARMA）

将AR（P）与MA（q）结合，得到一个一般的自回归移动平均模型ARMA（p，q）：

$X_t = \alpha_1X_{t-1} + \alpha_2X_{t-2} +...+ \alpha_pX_{t-p} + \varepsilon_t + \beta_1\varepsilon_{t-1}+...+\beta_q\varepsilon_{t-q}$

5、 ARIMA模型

将自回归模型（AR)，滑动平均模型（MA），差分结合，就形成了ARIMA（p,d,q），其中p，d，q三个参数的确认，也是时间序列模型最难的部分。

6、组合模型

时间序列趋势主要受到长期趋势（T）、季节变动（S）、周期波动（C）和不规则波动（I）四个因素影响，可构建

加法模型： $x_t = T_t+S_t+C_t+\varepsilon_t$
乘法模型： $x_t = T_t*S_t*C_t*\varepsilon_t$

7、示例

已知15年至18年逐月的交易额，且已知部分月份做过大型促销活动，现面临19年业务预算，请按照时间序列给出19年的逐月交易预估，作为预算建议。

GMV2<- read_excel("D:develop\\GMV_ts2.xlsx")
View(GMV2)
GMV2_ts=ts(GMV2[,2],start=c(2015,1),frequency = 12)
GMV2_ts=GMV2_ts[,1]
plot(stl(GMV2_ts,s.window='period'))
auto.arima(GMV2_ts)
GMV2_ts_ts=arima(GMV2_ts,order=c(0,0,0),seasonal=list(order=c(1,1,0),period=12))
GMV2_ts_ts
plot(GMV2_ts_ts$residuals)
abline(h=0)
qqnorm(GMV2_ts_ts$residuals)
qqline(GMV2_ts_ts$residuals)
GMV2_fo=forecast(GMV2_ts_ts,12)
plot(GMV2_fo)

stl函数分解