![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
时间序列分析
丰。。
某top数据科学专业博士研究生,发表多篇论文,CCFA类2篇,sci2区一篇,目前担任sci2区文章审稿人,均为深度学习领域,第一作者,五次国际级获奖经历,国家级大创四项,多次省级校级获奖经历,负责多项科研项目。希望大佬们多多提携,小弟定投桃报李。
展开
-
时间序列分析part4拆分时间数据的方法
假设目前有时间数据X,以及对应的数据f(x)f(x1)-f(x0)直接减去原理:我们要研究的是从过去推算到未来,那么在以往的数据中,最重要的就是他到底是怎么变化的,故我们只需研究变化的部分,一组数据的联系/拟合算法中,肯定都有共同的,不变的部分,故我们只需直接减掉,留下的自然就是变化的部分。...原创 2021-02-18 23:14:03 · 428 阅读 · 0 评论 -
时间序列分析part3严格平稳与弱平稳
通俗的理解就是前面的数据与后面的数据是有关联的,它们之间的关系不能有太大的改变比如这种,突然崩盘,就是突然改变了关系算法模型的预测原理,数据之间有关联才能预测数据,关系突然改变,自然预测不了故时间序列分析数据要有平稳性由此,我们引入一个概念,Strict stationary process(SSS)/严格平稳过程n个随机变量的联合分布函数和的联合分布函数对所有时延都是相同的,称为严格平稳随机过程,又称为狭义平稳随机过程。所以,有以下:注意,t与k均为下标xt≤x1→x(t+k)≤x1进原创 2021-02-18 18:43:30 · 5747 阅读 · 2 评论 -
时间序列分析part2时间序列与其滞后项的协方差
自回归函数(Autoregressive function)x→随机变量,E→数学期望,μ→均值,有(注意,滞后k项)引入协方差Autoregressive correlation coefficient function(自回归相关系数函数)时间数据是相关性很紧密的,比如今天的你必定由以前的你发展而来,那么我们如果只要研究今天的你变化的部分就必须要剔除从前的你对你的影响于是,我们就要引入新的概念,PACF(Partial autocorrelation coefficient functi原创 2021-02-18 11:23:11 · 1450 阅读 · 0 评论 -
时间序列分析part1由来与特点
特点:有一个坐标轴是时间数据参考适用范围:害虫目击报告数据,股票,期货,外汇,医疗,一些经济指标(GDP,CPI)建模的目的→通过模型拟合数据→预测数据趋势,简单来说就是用数学表示世界一般都称为趋势模型(Trend model)一般简单地分为:1线性趋势模型(Linear trend model)→y=kx+b2对数线性趋势模型(Log-linear trend model)→e的kx+b次方,两边同时取对数得:进一步改写,得f(x) = kx+b2非线性趋势模型(Nonlinear tre原创 2021-02-17 11:10:56 · 378 阅读 · 0 评论