本文详细介绍了ARIMA模型的相关概念，包括自回归（AR）、移动平均（MA）、自回归移动平均（ARMA）和差分自回归移动平均（ARIMA）模型。ARIMA用于将非平稳时间序列转化为平稳序列，通过自相关函数（ACF）和偏自相关函数（PACF）确定阶数。文章还提到了模型选择的方法，如AIC、BIC标准和稳定性检查。
https://www.cnblogs.com/bradleon/p/6832867.html
https://www.cnblogs.com/bradleon/p/6827109.html
平稳性：就是要求经由样本时间序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去。平稳性要求序列的均值和方差不发生明显变化
严平稳：严平稳表示的分布不随时间的改变而改变。如：白噪声（正态），无论怎么取，都是期望为0，方差为1
弱平稳：期望与相关系数（依赖性）不变，未来某时刻的t的值Xt就要依赖于它的过去信息，所以需要依赖性
差分法：时间序列在t与t-1时刻的差值
差分（d）：现在数列=现时刻数值-前一时刻数值
也就是本时刻与前一时刻的差值作为新的数列，可以让数列 更加平稳，
数据.diff(1)：1代表与前一时刻的差值，2代表与倒数第二个数的差值。
做一次.diff(1)，就是一阶差分，再在一阶差分上做一次.diff(1)，就是二阶差分。
1 自回归模型（AR）
描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性的。
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
