【时间序列 - 03】ARIMA、ARIMA-ANN（模型融合）

最新推荐文章于 2023-12-24 23:15:40 发布
最新推荐文章于 2023-12-24 23:15:40 发布
阅读量4.7k 收藏 32
点赞数 2
分类专栏： 【python】 【预测&时间序列】 【日积月累】 预测领域：时间序列、特征设计+回归 文章标签： 时间序列 ARIMA ANN 模型融合
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/Houchaoqun_XMU/article/details/81462865
版权

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

  1. 数据可视化，根据历史数据判断时间序列的平稳性。

  2. 对非平稳的时间序列数据，做差分（d），得到平稳序列。

  3. 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࿱

最低0.47元/天 解锁文章
Houchaoqun_XMU
关注
专栏目录
机器学习笔记 - 时间序列的混合模型
学以致用 知行合一
06-28 1054
线性回归擅长推断趋势，但无法学习交互作用。 XGBoost 擅长学习交互，但无法推断趋势。 在本课中，我们将学习如何创建“混合”预测器，将互补的学习算法结合起来，让一个的优势弥补另一个的弱点。 为了设计出有效的混合模型，我们需要更好地理解时间序列是如何构建的。 到目前为止，我们已经研究了三种依赖模式：趋势、季节和周期。许多时间序列可以通过仅由这三个组件加上一些本质上不可预测的完全随机误差的加法模型来密切描述............
第89步 时间序列建模实战：时间序列融合模型
qq_30452897的博客
10-29 518
第89步 时间序列建模实战：时间序列融合模型
Predict Future Sales（时间序列）——Kaggle银牌（TOP 4%）基础方案（四）：单模预测及模型融合
贝壳er的博客
09-19 5658
构造完特征接下来就是模型预测部分了，至于这里说的模型融合，实际上已经是各大数据竞赛上分的约定俗成的套路。 单模一：CatBoost catboost是俄罗斯大佬发布于2017年的一个强大的Boost算法，据发布者所说是继XGBoost和LightGBM后的又一个树模型大杀器，且性能要优于前面两个：原文链接。 一般认为CatBoost有如下优点： 它自动采用特殊的方式处理类别型特征（cate...
【基础知识】时序特征融合（注意力机制）
qq_42021262的博客
12-24 1002
比如：当前帧和参考帧的图像通道数是1024，假设8头的话（N=8），图像就会被拆成8个128通道的特征，并对每个特征分别进行注意力。自注意力机制是注意力机制的一种特殊形式，其中查询、键和值都来自于同一组输入序列。主要关注输入序列中不同元素之间的关系。注意力机制是一种机制，用于在输入序列中对不同位置的信息分配不同的权重。主要关注输入元素与外部/全局元素之间的关系。理解：相当于卷积神经网络中的多个kernel，多个kernel可以学习多种特征表达。这个up主对于注意力公式的讲解非常容易理解和记忆。
可解释多层时间序列预测的时间融合Transformers
zzh1464501547的博客
09-29 1966
可解释多层时间序列预测的时间融合Transformers 关注人工智能学术前沿 回复 ：ts28 5秒免费获取论文pdf文档，及项目源码 摘要 多水平预测通常包含复杂的输入组合，包括静态(即时不变)协变量、已知的未来输入和其他仅在过去观察到的外生时间序列，没有任何关于它们如何与目标相互作用的事先信息。已经提出了几种深度学习方法，但它们都是典型的黑盒模型，并没有阐明它们如何使用实际场景中呈现的全部输入。在本文中，我们介绍了时域融合Transformer(TFT)，一种新的基于注意力的.
QTNet：最新时序融合新方案！点云、图像、多模态检测器全适用（NeurIPS 2023）...
CV_Autobot的博客
12-15 543
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取>>点击进入→自动驾驶之心【多传感器融合】技术交流群论文作者|Jinghua Hou编辑 | 自动驾驶之心写在前面 & 个人理解时序融合能够有效提升自动驾驶3D目标检测的感知能力，然而目前的时序融合方法由于成本开销等问题难以在实际自动驾驶场景中应用。NeurIPS 2023的最新研究文章 《Query-bas...
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
1. ARIMA (AutoRegressive Integrated Moving Average): 适用于平稳时间序列数据的预测，结合了自回归 (AR) 和移动平均 (MA) 的模型。 2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，...
包含一系列时间序列算法，例如ARIMA、CNN、ANN、LSTM等.zip
最新发布
05-02
时间序列分析 一个时间序列通常由4种要素组成：趋势、季节变动、循环波动和不规则波动。 趋势：是时间序列在长时期内呈现出来的持续向上或持续向下的变动。 季节变动：是时间序列在一年内重复出现的周期性波动。它是...
arima的matlab代码-time_series_forecasting_pytorch:使用pytorch进行时间序列预测，包括ANN、
06-02
实验源码：使用pytorch进行时间序列预测，包括MLP、RNN、LSTM、GRU、ARIMA、SVR、RF和TSR-RNN模型。 要求 Python 3.6.3（Python） keras 2.1.2 火炬 1.0.1 张量流-GPU 1.13.1 sklearn 0.19.1 麻木 1.15.4 熊猫 ...
多模型融合技术--房价预测（机器学习）
03-26
机器学习算法进行非时间序列的房价预测，多模型融合为主要思想，提升算法Xgboost
Python实现ARIMA-LSTM-Attention差分自回归移动平均注意力机制长短期记忆网络时序预测（完整源码和数据)
02-18
Python实现ARIMA-LSTM-Attention差分自回归移动平均模型结合注意力机制长短期记忆网络时间序列预测（完整源码和数据) 1.Python实现ARIMA-LSTM-Attention差分自回归移动平均模型结合注意力机制长短期记忆网络时间...
模型融合 Blending 和 Stacking
cfm908826的博客
05-25 529
构建并结合多个学习器来完成学习任务，我们把它称为模型融合或者集成学习。 不同的模型有各自的长处，具有差异性，而模型融合可以使得发挥出各个模型的优势，让这些相对较弱的模型（学习器）通过某种策略结合起来，达到比较强的模型（学习器）。 在进行模型融合之前，各个基学习器不能够太差，即“准确性”，第二，它们之间要有区分度，即“差异性”。要满足这两点，把多个学习器结合在一起，它们的效果才能比原先的各个基学习器要好。 那么它们都有哪些方法呢？ Blending Uniform Blending (均匀融合) Unifor
时间及特征融合进行风功率预测
weixin_44420096的博客
11-23 1636
LSTM进行时间序列预测处理数据集搭建时间序列网络 处理数据集 本文使用的是某风场采集的风电功率，其他同学可以参考类似的时间序列数据集。本文假设读者已会载入数据并进行数据预处理，例如归一化等操作。 def creat_data(data,lookback,step): timeX,featureX1,featureX2,featureX3,dataY = [],[],[],[],[] for i in range(len(data) - lookback-step ): ti
时间及特征融合进行风功率预测2
weixin_44420096的博客
11-23 540
LSTM进行时间序列预测接着上篇的风功率预测 接着上篇的风功率预测 此篇再数据预处理部分就进行了特征的融合，更够减少特征分别输入的误差。
MLP(ANN)实现时间序列预测(PyTorch版)
CSDN 精品推荐
01-13 2825
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一个项目实例都附带有`完整的代码+数据集。
arima模型怎么拟合_7个统计测试，用于验证和帮助拟合ARIMA模型
weixin_26746401的博客
08-21 3173
arima模型怎么拟合 什么是ARIMA？ (What is ARIMA?) ARIMA models are one of the most classic and most widely used statistical forecasting techniques when dealing with univariate time series. It basically uses the ...
时间序列模型-ARIMA模型
木木爱早起的博客
11-16 262
如何理解“差分”： 参考：https://zhuanlan.zhihu.com/p/46699931 一阶差分：用下一个数值，减去上一个数值 二阶差分：在一阶差分的基础上用后一个数值再减上一个数值一次 差分的作用：减轻数据之间的不规律波动，使其波动曲线更平稳 ...
【时间序列 - 02】ExponentialSmoothing - 指数平滑算法
热门推荐
Houchaoqun_XMU的博客
09-07 2万+
Abstract： 本文主要以实践的角度介绍指数平滑算法，包括：1）使用 ExponentialSmoothing 框架调用指数平滑算法；2）文末附有“使用python实现指数平滑算法（不确定写得对不对，T_T）”。此外，指数平滑算法的理论知识以参考链接的方式进行整理。 Reference https://www.statsmodels.org/stable/generated/statsm...
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