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