平稳序列:观测值 Xt 集合,每个观测值是在时间 t 的观测值,t = 1,2...n;如果 Xt 的方差非无穷,Xt的期望为 μ,Xr 和 Xs 协方差值等于 X(r + t)和 X(s + t) 协方差,r, s=1,...n,Xt为(弱)平稳序列。
即:平稳序列的期望, 方差, 协方差不随时间变化, 如 Xt 服从同一个分布则平稳。
弱平稳的"弱"主要体现在时间序列的全局上是平稳的, 即时间序列局部波动,整体平稳或者随时间变化其样本的均值收敛。
用统计学中假设检验的方法来判断样本的平稳性,常用Augmented Dickey-Fuller(ADF)检验。
Python3中statsmodels.tas.stattools
中的adfuller
函数实现了ADF检验。
def check_sample_steady(data, alpha=0.05, print_detail=True): """ Test stationary of time series data. :param data: time series data, formatted as list :param alpha: significance level. :param print_detail: if True print additional information. """ result = adfuller(data) is_stationary = True if result[1] <= alpha else False if print_detail: print('ADF statistic: %f' % result[0]) print('p-value: %f' % result[1]) print('critical values:') for key, value in result[4].items(): print('\t%s: %.3f' % (key, value)) return is_stationary
AR:自回归(Autoregression),假设时间序列 {Xt} 是平稳的,
ARMA 模型是 AR和MA 的组合, 假设时间序列 {Xt} 是平稳的,
ARIMA(p,d,q) * (P,D,Q,s) 代表季节性(或周期性) ARIMA 模型。
d 代表差分的阶数,p 是自回归阶数,q 是移动平均阶数。
P :周期性自回归阶数(前个周期对应观测值的自回归)。
D:周期性差分阶数.
Q:周期性移动平均阶数(前个周期对应的移动平均).
s:一个周期的长度.
相当于两个阶段模型: 第一阶段在全局使用ARIMA(p,d,q); 第二阶段通过指定周期长度 s, 再利用ARIMA(P,Q,D)模型考虑周期之间的关系。
ARIMA 适合用于平稳的,较少突增/突降的数据的预测。ARIMA算法使用前一段数据来预测下一个时间点的数据,因此会导致预测有一定的滞后性,易受到异常值的影响;同时需要进行大量的平稳性检验、参数估计等工作。ARIMA共有7个参数,如何选取到合适的参数本身就是一个难题,而考虑季节性因素的升级版SARIMA由于训练开销大,导致自动选取参数极为困难,一般情况下的做法是预设一组参数。
使用周期性差分, 把原有时间序列周期性移除。同理采用周期性自回归和移动平均系数,可把周期之间的依赖关系考虑进模型。
不考虑周期性的 ARIMA 模型的预测结果(灰色曲线)逐渐收敛到时间序列的均值。
GitHub - xianqiu/TimeSeriesExp
时间序列异常检测算法盘点:统计方法、预测方法、有监督学习、深度学习、业务指标异常检测_BizSeer必示的博客-CSDN博客