前言:
本文主要介绍 ARIMA 及其模型融合 ARIMA-ANN。由于目前对ARIMA还不是很熟悉,先占个坑位,后续有深入学习,再继续完善,望见谅。
Part1:ARIMA
基本概念
-
ARIMA:Auto Regressive Integrated Moving Average。
-
ARIMA(p,d,q),其中:d 是差分的阶数,用来得到平稳序列;AR是自回归,p(时序数据本身的滞后数)为相应的自回归项;MA为移动平均,q(预测误差的滞后数)为相应的移动平均项数。
-
模型的输入:历史数据;模型的输出:预测数据;- -
特点
-
解决:“随机过程的特征随着时间变化而非固定”,“导致时间序列非平稳的原因是随机而非确定”。
ARIMA 模型的基本流程
-
数据可视化,根据历史数据判断时间序列的平稳性。
-
对非平稳的时间序列数据,做差分(d),得到平稳序列。
-
建立合适的模型: - 平稳化处理后,若偏自相关函数是截尾的,而自相关函数是拖尾的,则建立AR模型; - 若偏自相关函数是拖尾的,而自相关函数是截尾的,则建立MA模型