时间序列模型

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。

参考：时间序列模型简介 - 简书

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