时间序列预测【实现及适用情况】

时间序列预测：某些数据本身与时间存在联系（趋势、周期性），如销售量、股票价格

这个网站相内容很好，推荐：第 7 章 时间序列回归模型 | 预测：方法与实践（第三版） (otexts.com)

一、朴素预测法、简单平均法

• 直接取前一天的数据/取前面所有天数的平均值
• 适用于数据随时间基本不变的情况

二、移动平均法、加权移动平均（MA）

• 如果数据变化较大，过久的数据对于未来预测已经无用了，甚至会因为求平均值而起反作用
• 只取前面n个点的平均值or前n个点的加权平均（考虑到前n个点对预测点的影响不同，给予近期更大的权重）
• 对方法一的改善，适用于数据随时间的变化存在一定的趋势

三、指数平滑法（AR）

• 下期=α*上期的实际值+（1-α）*上期的预测值（0时刻可用平均值代替预测值）
• α越大对数据变化反应越迅速，α越小，平滑作用越强
• 是对加权移动平均的进一步改善，将所有数据考虑在内，权重呈指数级下降
• 一次指数、二次指数、三次指数

四、霍尔特指数平滑法（Holts）

• 
• 预测具有趋势的数据
• 季节性：Holt-Winters加法模型、Holt-Winters乘法模型
• 季节加法性：一个零售商在每个假日季节都会额外卖出100件商品；季节乘法性：一个零售商在假日季节的销售量是平时的两倍

import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing

# df = pd.DataFrame({
#     'date': pd.date_range(start='2000-01-01', periods=60, freq='Q'),
#     'Trips': [100, 120, 140, ...]  # 假设的百万次旅行数据
# })

# 创建一个ETS模型，这里我们使用加法趋势和季节性
model_additive = ExponentialSmoothing(
    df['Trips'], trend='add', seasonal='add', seasonal_periods=4
)
fit_additive = model_additive.fit()

# 创建一个ETS模型，这里我们使用乘法趋势和季节性
model_multiplicative = ExponentialSmoothing(
    df['Trips'], trend='mul', seasonal='mul', seasonal_periods=4
)
fit_multiplicative = model_multiplicative.fit()

# 预测未来3年的数据
forecast_additive = fit_additive.forecast(12)  # 假设每年有4个季度，3年共12个季度
forecast_multiplicative = fit_multiplicative.forecast(12)

五、ARIMA模型

• 数据具有复杂的自相关结构
• 既可以捕捉到数据的趋势变化，又可以处理突发的变化
• AR+I+MA

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt

# 假设df是包含时间序列数据的pandas DataFrame，并且已经转换为所需的格式
# 例如，df的索引是日期，列是时间序列数据
df = pd.read_csv('your_time_series_data.csv', index_col='Date', parse_dates=True)

# 检查数据的平稳性
# 这里需要你根据数据的实际情况来决定是否需要差分，以及差分的阶数d
# 例如，如果数据是非平稳的，你可能需要进行一次差分
df_diff = df.diff().dropna()

# 选择ARIMA模型的参数
# p：自回归项的阶数
# d：差分的阶数
# q：滑动平均项的阶数
# 这些参数的选择通常基于对数据的ACF和PACF图的分析
p, d, q = 1, 1, 1  # 举例参数，需要根据实际情况调整

# 创建ARIMA模型实例
model = ARIMA(df['Your_Time_Series_Column'], order=(p, d, q))

# 拟合模型
model_fit = model.fit()


# 进行预测
forecast_steps = 10  # 预测未来的时间步数
forecast = model_fit.forecast(steps=forecast_steps)