ML - 时间序列ARIMA

最新推荐文章于 2025-02-24 15:03:32 发布
最新推荐文章于 2025-02-24 15:03:32 发布
阅读量871 收藏
点赞数
分类专栏： MachineLearning
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/G____G/article/details/104773487
版权
本文介绍了时间序列分析中的ARIMA模型，包括平稳性、差分、AR、MA、ARMA概念。讨论了ARIMA模型的参数确定，如ACF、PACF、拖尾和截尾，以及AIC和BIC准则。最后提到了模型残差检验的重要性，确保模型稳定性和预测准确性。
摘要由CSDN通过智能技术生成

平稳性

平稳性要求经由样本时间序列所拟合的曲线，在未来的一段期间内仍能顺着现有的形态“惯性”地 延续下去。平稳性要求序列的均值和方差不发生明显的变化。

严平稳

分布不随时间的改变而改变，例如，白噪声（标准正太分布期望为0，方差为1）

弱平稳

弱平稳是通常见到的，它期望和相关系数的依赖性不发生改变。因为未来时刻的值需要过去的信息。

差分

如果时间序列不平稳，可以通过差分的方式使其变得的平稳。
差分就是时间序列在t和t-1时刻的差值

AR

描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测。
p阶自回归过程的公式：
在这里插入图片描述
在这里插入图片描述
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）。如果相关系数小于0.5，不宜采用

MA

移动平均模型MA关注的是自回归模型中误差项的累加
q阶自回归过程的公式定义
在这里插入图片描述
移动平均法能有效地消除预测中的随机波动

ARMA

自回归移动平均模型
在这里插入图片描述

ARIMA

Autoregressive Integrated Moving Average Model
将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型

ARIMA(p,d,q)
差分自回归移动平均模型
AR-自回归
MA-移动平均
p是自回归阶数
q是移动平均项数
d是将时间序列变平稳时所作的差分次数

ACF

自相关函数ACF(Autocorrelation Funcion)
有序的随即变量序列和自身相比较。
自相关函数反映了同一序列在不同时许的取值之间的相关性
在这里插入图片描述

协方差除以方差。
换句话说，就是t时刻 与 t-k时刻 的自相关系数是（自协方差 / k=0时的自协方差）
协方差衡量变量相关性是由缺点的：协方差是有量纲的，因此它的大小受随机变量本身波动范围的影响。最简单的做法就是用变量自身的波动对协方差进行标准化。相关系数便由此得来。

PACF

偏自相关系数（PACF）
计算某一个要素对另一个要素的影响或相关程度时，把其他要素的影响视为常数，即暂不考虑其他要素的影响，而单独研究那两个要素之间的相互关系的密切程度时，称为偏相关。
根据ACF求出滞后k自相关系数 ACF（k) 时，实际上得到并不是Z(t)与Z(t-k)之间单纯的相关关系。

因为Z(t)同时还会受到中间k-1个随机变量Z(t-1)、Z(t-2)、……、Z(t-k+1)的影响，而这k-1个随机变量又都和z(t-k)具有相关关系，所以自相关系数里面实际掺杂了其他变量对Z(t)与Z(t-k)的影响。

为了能单纯测度Z(t-k)对Z(t)的影响，引进偏自相关系数（PACF）的概念。

说直白点，ACF还包含了中间其他变量的影响，而偏自相关系数PACF是严格这两个变量之间的相关性。
在这里插入图片描述

ARIMA参数确定

拖尾和截尾

拖尾指序列以指数率单调递减或震荡衰减，而截尾指序列从某个时点变得非常小
拖尾
在这里插入图片描述
截尾
在这里插入图片描述

模型ACFPACF
AR(_p)拖尾p阶后截尾
MA(q)q阶后截尾拖尾
ARMA(p,q)q阶后拖尾p阶后拖尾

从序列 ACF 、PACF 的图中没有发现明显的拖尾或截尾，说明对于这样的序列，并不适合用ARIMA 模型来拟合。
通过拖尾和截尾对模型定阶，具有很强的主观性。出现很多组候选结果，可以全部遍历找最好的，也可以根据信息准则函数法，来确定模型的阶数

AIC（Akaike Information Criterion）Akaike信息量准则

在这里插入图片描述
L表示模型的极大似然函数，K表示模型的参数的个数.
目的是参数个数最小，极大似然估计最大，使整体最小。
损失函数=数据的损失+正则项的损失+λL2

BIC（Bayesian InformationCriterion）贝叶斯信息准则

在这里插入图片描述
n是样本容量
我们的诉求是AIC,BIC越小越好，那就是k越小，去选择更简单的模型

模型的残差检验

一个好的稳定的ARIMA模型的残差接近平均值为0且方差为常数的正太分布。
QQ图：线性就是正太分布

使用 ML.NET CLI 自动进行模型训练
A_nanda的博客
06-11 443
ML.NET CLI 是一个.NET 工具。若没有安装，打开vs ，点击新建下项目按装多个工具和功能安装位置;安装后，你为其指定一个机器学习任务和一个训练数据集，而它将生成一个 ML.NET 模型以及要运行的 C# 代码，以便在应用程序中使用该模型。如下图所示，生成高质量的 ML.NET 模型（序列化模型 .zip 文件）以及用于运行该模型/对该模型评分的示例 C# 代码非常简单。此外，还会生成用于创建/训练该模型的 C# 代码，以便可以研究和迭代用于该生成的“最佳模型”的算法和设置。
时间序列数据的预处理及基于ARIMA模型进行趋势预测-大数据ML样本集案例实战...
weixin_34290000的博客
12-10 429
版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。QQ邮箱地址：1120746959@qq.com，如有任何学术交流，可随时联系。 1 数据的预处理 时间序列数据生成 import pandas as pd import numpy as np da...
ML.NET库学习003：基于时间序列的共享单车需求预测项目解析
North_D的博客
02-08 970
数据集包含历史骑行记录，包括时间、地点、天气状况等信息。数据分为训练集和测试集，分别用于模型训练和性能评估。数据格式：方法的主要目的是从测试数据集中读取指定数量的数据样本，并使用训练好的模型进行预测。然后将预测结果与实际观察值进行对比，输出到控制台以便直观查看。方法负责从指定的CSV文件中读取一定数量的数据样本，并将其转换为程序能够处理的对象形式。类用于封装自行车共享需求预测所需的所有特征。每个属性都通过LoadColumn特性指定了其在原始文件中的列位置，而Count属性则通过。
使用 ML.NET 开发工业预测系统：从数据到智能决策
最新发布
威哥说编程
02-24 1033
ML.NET是一个跨平台的开源机器学习框架，它使得 .NET 开发者可以在熟悉的开发环境中，利用机器学习技术解决各种实际问题。与其他流行的机器学习框架（如 TensorFlow 和 PyTorch）不同，ML.NET 完全集成在 .NET 生态系统中，使得开发者能够直接在 C# 或 F# 中进行机器学习开发，无需跳出开发语言环境。首先，定义数据模型类，以便能够加载数据。每条数据将映射为一个SensorData类的实例。set;set;set;set;set;通过使用ML.NET。
【ML】使用支持向量回归器进行时间序列预测
sikh_0529的博客
09-21 1万+
然后，您将重塑数据以创建 SVR 所需的基于时间步长的数据集。模型完成训练后，您将评估其在训练集、测试集和完整数据集上的准确性，以查看整体性能。过滤您的数据集以仅包含您需要的时间段和列，并进行缩放以确保将数据投影在 0,1 区间内。在上一课中，您了解了 ARIMA，这是一种非常成功的预测时间序列数据的统计线性方法。然后，为了检查性能，我们将绘制原始和预测的时间序列图，并打印 MAPE 结果。. 因此，模型的输入是前 4 个时间步的数据，输出将是第 5 个时间步的数据。现在，让我们构建我们的 SVR 模型。
DNA序列的机器学习方法
LonghaoJia的博客
06-02 1万+
参考：https://www.kaggle.com/thomasnelson/working-with-dna-sequence-data-for-ml 在生物计算中，处理DNA序列是很常见的。熟悉biopython将能够真正帮助你用python来处理生物序列数据。 !pip install biopython Collecting biopython Downloading https://files.pythonhosted.org/packages/8e/44/3b5b7e68ca414a6.
时间序列模型：ARIMA
zly_Always_be的博客
02-27 900
时间序列模型：ARIMA
python时间序列滞后命令_[python] 时间序列分析之ARIMA
weixin_39790102的博客
11-28 2223
1 时间序列与时间序列分析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。2 时间序列建模基本步骤获取被观测系统时间序列数据；对数据绘图，...
时间序列-预测-经典算法：ARIMA【自回归综合移动平均】【用于单一变量预测；短序列预测还算精准，不适合长序列预测】【使用前提：数据序列是“平稳的”，即均值、方差不随时间变化】【利用差分法使数据平稳】
u013250861的博客
02-18 1443
ARIMA是一种非常流行的时间序列预测统计方法，它是自回归综合移动平均（Auto-Regressive Integrated Moving Averages）的首字母缩写。ARIMA模型建立在以下假设的基础上： 数据序列是平稳的，这意味着均值和方差不应随时间而变化。通过对数变换或差分可以使序列平稳。
时间序列 ：ARIMA模型-原理
悦光阴的博客
09-21 8881
时间序列是在时间点上形成的数值序列，时间序列预测是通过观察历史数据预测未来的值。ARIMA模型(AutoregressiveIntegratedMovingAverage model)是时间序列预测分析方法之一，全称叫做自回归差分移动*均模型。 本文是看网上博客整理而来，原始文章是： 时间序列分析(2) ARIMA 模型 罗汉堂主 ARIMA 机器学习(三)——时间序列法 一，模型...
一文搞懂时间序列ARIMA模型
weixin_60200880的博客
10-06 1万+
ARIMA模型的基本思想是：一个时间点上的标签值既受过去一段时间内的标签值影响，也受过去一段时间内的偶然事件的影响。即ARIMA模型假设为标签值是围绕着时间的大趋势而波动的，其中趋势是受历史标签影响构成的，波动是受一段时间内的偶然事件影响构成的，且大趋势本身不一定是稳定的。
【学习笔记】时间序列模型(ARIMA)
m0_65032457的博客
08-24 5426
时间序列模型(ARIMA)
时间序列ARIMA模型预测方法，及相关函数使用方法介绍
我的乌托
01-07 601
首先引入Daniel检验的概念，即检测序列平稳性的一种方法，它是建立在Spearman相关系数（一种秩相关系数）的基础上的。根据过去的事物发展规律预测将来，对于波动不大的事物变化，有较为精确的预测性。的值，如果统计量大于查表的值，则接受检验假设H0: =0,即序列平稳，可以准确预测，否则拒绝H0，序列不平稳。如果事物的发展规律波动较大，Spearman相关系数的假设检验不通过，T检验值大于。Rn,y1,y2..yn的秩统计量为S1、S2…，序列不平稳，预测值出现较大误差。二、时间序列预测的优缺点分析。
算法笔记：ARIMA，时间序列平稳性
qq_40206371的博客
08-16 6277
1 平稳性 平稳性要求经由样本时间序列所得到的拟合曲线，在未来的一段时间内，仍然能按照现在的特征，顺着现在的惯性继续延续下去 平稳性要求时间序列的均值和方差不能发生明显的变化（可以变化，不能明显的变化） 1.1 严平衡与弱平衡 严平衡： 时间序列的分布不随时间的改变而改变 也就是均值和方差严格相同 这种要求太过绝对，在实际的数据中不太常见 弱平衡： 时间序列的期望与相关系数不变 ...
【关于时间序列的ML】项目 6 ：机器学习中使用 LSTM 的时间序列
sikh_0529的博客
12-22 2399
其次，一些函数的行为并不相同（例如，tf.trans pose() 创建一个张量的转置副本，而 NumPy 的 T 属性创建一个转置视图，而不实际复制任何数据）。过度拟合的可能解决方案是获取更多数据、简化模型（选择更简单的算法、减少使用的参数或特征的数量，或正则化模型）或减少数据中的噪声。如果将 Perceptron 的激活函数更改为逻辑激活（如果有多个神经元，则更改为 softmax 激活），并且如果使用梯度下降（或其他一些最小化成本函数的优化算法，通常是交叉熵）对其进行训练，则它等同于逻辑回归分类器。
时间序列ARIMA
友培的博客
02-18 2785
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
时间序列 自回归差分移动平均模型 ARIMA
JasonH2021的博客
05-27 6183
本文主要简单介绍了ARIMA的基本概念，优缺点，应用场景，建模时的注意事项，实现方法以及模型的参数等。
时间序列预测 — — ARIMA模型（理论分析与代码详解）
热门推荐
SoyMilk的博客
07-25 3万+
ARIMA模型的全称为：差分整合移动平均自回归模型是一种数据类型，它记录了在连续时间点上观测到的数值。这些数值可以是任何可以量化的度量，比如经济指标、股票价格、温度、销售额等。是一种按照时间顺序排列的数据集，其中每个数据点都与一个特定的时间点相关联。这种数据类型通常用于记录和分析随时间变化的数值信息。时间序列根据时间和数值的性质不同，可以分为和。性质：时期序列可加，时点序列不可加。
时间序列-ARIMA
cunzai1985的博客
09-24 635
时间序列 arima 时间序列-ARIMA (Time Series - ARIMA) Advertisements 广告 Previous Page 上一页 Next Page 下一页 We have already understood that for a stationary time series a variable at time ‘t’ is a ...
ARIMA时间序列预测模型的改良
12-30
### 改进的ARIMA时间序列预测模型 #### 引入外部变量以增强预测性能 传统的ARIMA模型仅依赖于历史数据本身来进行预测，这可能无法充分捕捉到影响时间序列的所有因素。为了克服这一局限性，在某些情况下可以通过引入额外的相关变量作为输入特征来改进模型。例如，在销售量预测中加入促销活动信息；在股票价格分析里考虑宏观经济指标的影响等。 这种方法不仅提高了预测准确性，还增强了模型对于复杂现实情况下的适应能力[^1]。 ```matlab % 假设有一个包含温度和湿度的数据集用于天气预报 data = readtable('weather_data.csv'); externalVars = data(:, {'Temperature', 'Humidity'}); model = arima(0, 1, 1); fit(model, data.Sales, 'X', externalVars); % 使用附加变量训练ARIMAX模型 ``` #### 结合机器学习算法进行混合建模 除了单纯依靠统计学上的调整外，还可以探索与其他类型的预测工具相结合的可能性。比如采用集成学习中的随机森林或梯度提升树等高级方法辅助传统ARIMA框架内的残差修正工作。这种策略有助于弥补单一模型固有的缺陷并挖掘潜在模式从而获得更优的结果。 具体来说，先建立基础版ARIMA模型得到初步估计值之后再利用其他非线性的ML技术针对剩余误差部分做二次拟合处理最终形成综合解决方案。 ```python from statsmodels.tsa.arima.model import ARIMA import pandas as pd # 构造初始ARIMA模型获取预测结果及其对应的残差项 arima_model = ARIMA(endog=train_series, order=(p,d,q)) result_arima = arima_model.fit() residuals = result_arima.resid # 应用GBDT对上述所得残差继续建模 gbdt_regressor = GradientBoostingRegressor().fit(X_train, residuals) def hybrid_forecast(x_new): base_pred = result_arima.forecast(steps=1)[0] adj_factor = gbdt_regressor.predict([x_new])[0] return base_pred + adj_factor ``` #### 参数自动调优与网格搜索 手动挑选合适的(p,d,q)阶数往往耗时费力而且容易陷入局部最优解之中。因此借助计算机的强大计算资源实施自动化参数寻优过程显得尤为重要。通过定义合理的评价标准（如AIC/BIC准则），配合穷举法遍历所有可能性直至找到全局最佳配置方案为止。 此外，也可以尝试贝叶斯优化这类更加高效的黑盒函数求极值技巧进一步缩短寻找理想超参组合所需耗费的时间成本[^2]。 ```r library(forecast) auto_arima_fit <- auto.arima(training_set, stepwise = FALSE, approximation = FALSE) summary(auto_arima_fit) ```
评论
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