1. 时间序列
时间序列的特点:
- 高维度
- 具有时间依赖性
时间序列根据时间点的抽样变量数分为:
- 单变量时间序列
- 多变量时间序列
2. 经典时间序列预测
2.1 经典的时间序列预测模型
-
基于autoregression(AR)自回归模型
1). autoregression(AR) 模型
特点:是一个随机过程 ;输出变量与前值和随机条件呈线性关系2). moving average(MA) 和 autoregressive moving average(ARMA)
缺点:不适用于non-stationary(非稳态) 的时间序列2). Autoregressive Integrated Moving Average (ARIMA) 模型
通过多次微分步骤使得时间序列稳定,但放大了时间序列中的高频噪声,影响预测准确率。3). Autoregressive Integrated Moving Average model with exogenous inputs model (APRIMAX)
基于ARIMA模型的改进。 -
基于SVM的预测模型
1). support vector regression (SVR)
将采样从原始空间映射到高维空间,然后构建一个线性决策函数达到线性回归。
当时间序列复杂时,实验表现比ARIMA好。2). Least sqares support vectors machines( LS_SVM)
改变SVM目标函数的约束条件。