时序数据学习笔记（二）

HughYue1990

已于 2022-09-15 18:09:05 修改

阅读量437

点赞数

文章标签： python 机器学习时序数据库

于 2022-09-15 15:35:56 首次发布

本文链接：https://blog.csdn.net/HughYue1990/article/details/126838878

版权

一、平稳性与自相关

1、平稳性

一个静止的时间序列的统计特性不会随着时间的推移而改变，其有一个恒定的平均值、方差和自相关，这些特性是独立于时间的。因此如果一个时间序列的均值、方差和自相关性不随时间变化，则称其为平稳时间序列。否则它的属性将随着时间而改变，也就意味着模型参数也必须随着时间而改变。

平稳性测试通常使用ADF测试，通过测试单位根的存在来帮助确定一个时间序列是否是站点数据。如果存在单位根，则时间序列不是平稳的，表明数列的平均值依赖于时间。

2、自相关

自相关函数(ACF)测量的是时间序列滞后值之间的线性关系，其主要用于测量的是时间序列与自身的相关性。

二、平稳性数据处理

1、数据生成

通过控制表达式yt = α1yt –1 + ϵt中的α1，使其介于-1与1之间，来生成平稳时间序列，下方将α1设置为0.5；

def simulate_process(is_stationary:bool)->np.array:
    np.random.seed(42)
    process=np.empty(400)

    if is_stationary:
        alpha=0.5
        process[0]=0
    else:
        alpha=1
        process[0]=10
    for i in range(400):
        if i+1<400:
            process[i+1]=alpha*process[i]+np.random.standard_normal()
        else: