本文介绍了时间序列预测的基本概念、特性描述、建模方法和模型分类。通过分解时间序列，如加法或乘法模型，来分析周期性、趋势和残差。建模方法包括单输出和多输出模型，以及传统时序模型、树模型、线性回归和神经网络模型的应用。文章强调了特征构造的重要性，并比较了不同模型在时间序列预测中的优劣，提出在实际应用中应根据数据量和数据质量选择合适的模型。
时间序列分析 | Python时间序列预测理论一览
基本介绍
时间序列预测（Time Series Prediction），就是给出某个量历史一段时间中的变化情况，以预测未来一段时间内（或未来一个时刻）的变化情况。按照给出的历史数据变量可以进行进一步划分：一种只提供需要预测量自己的历史数据，也可称为自回归预测；另一种则同时给出其他变量，例如要预测未来几天温度，在给出历史几天温度的同时还给出历史几天的湿度变化，湿度数据也可称为协变量。时间序列问题并不局限于预测未来，时间序列分类（给出一段时间信号，输出其归属类别）、时序异常检测（是否出现故障）等都是常见研究方向。本系列仅对时序预测这一小分支进行分享，但一些分析思路是可以通用的。
特性描述
- 首先要介绍简单一下时间序列分解（Time Series Decomposition），一般有两种分解方式，加法模型和乘法模型：
- 加法模型，y(t) = S(t) + T(t) + R(t)
- 乘法模型，y(t) = S(t) * T(t) * R(t)
- 其中S为周期项，T为趋势项，R为残差项。说人话，一个时间序列可以（以加法或者乘法的方式）分解为三部分：其本身的周期性变化，长期的趋势以及其他外界因素造成的扰动。
- 当然，可能有些时序问题没有明显的周期性；也可能有些时序问题
订阅专栏 解锁全文
718
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
