时间序列预测ARIMR（Spark scala,Python）

• 原文链接 楞伽山人帖–时间序列预测ARIMR

1. 概要
2. 平稳性
3. 回归模型
4. 自回归模型
5. 滑动平均模型
6. 自回归移动平均结合模型
7. 差分法
8. 差分移动平均自回归模型
9. ARIMA计算步骤

---

1.概要

ARIMA模型由Box与Jenkins于上世纪七十年代提出，是一种著名的时间序列预测方法。ARIMA的含义是单积自回归移动平均过程，其含义为：假设一个随机过程含有d个单位根，其经过d次差分后可以变换为一个平稳的自回归移动平均过程，则该随机过程称为单积（整）自回归移动平均过程。

• 名称解读

    AR: 自回归模型   Autoregressive model
    I : 差分        
    MA: 滑动平均模型 Moving average model
  

• 本质

  线性回归，只不过是通过自身的历史数据进行回归，适用于数据本身存在着较高并且稳定的相关性，特点是简单、短期预测效果不错。

---

2.平稳性

• 平稳性就是要求经由样本时间序列所得到的拟合曲线，在未来的一段时间内仍能顺着现有状态“惯性”地延续下去；

• 平稳性要求序列的均值和方差不发生明显变化；
  平稳性要求序列的均值和方差不发生明显变化；

s^2 = \frac{\sum_{i=1}^{N}(x_n-m)^2}{N}

s^2 总体方差 x变量 m 总体均值

---

3.回归模型

• 得一个线性模型以尽可能准确地预测实值输出标记

y = w_1*x_1+w_2*x_2+w_3*x_3+...+w_i*x_i+e

y: 因变量 x：自变量

w和b根据样本学得(最小二乘法或者最大似然估计或者神经网络)之后，模型就得以确定。w直观表达了各属性在预测中的重要性

---

4.自回归模型（AR Autoregressive model）

• 和线性回归的区别

线性回归是由一个或者多个自变量推导预测因变量

自回归是由因变量之前的取值来推导预测本身，所以是自回归（受自身变化的影响）

• AR 模型
  $$Y_t=w_1\ast Y_{t-1}+w_2\ast Y_{t-2}+w_3\ast Y_{t-3}+...+w_i\ast Y_{t-k}+e$$
  自变量不是影响因变量的外界因素，而是因变量本身

---

5.滑动平均模型 （MA moving average model）

• 假定预测对象有一种水平样式，含有随机波动成分,可以采用简单指数平滑法进行短期预测

$$F_{t+1}=F_t$$