时间序列分析
文章平均质量分 56
南瓜派三蔬
这个作者很懒,什么都没留下…
展开
-
时间序列分析 | 时序预测预测 | 经典统计方法整理
文章目录1. 点对点倍比法2. 朴素周期法3. 外推法4. 指数平滑法——ETS5. ARIMA6. STLF7. 动态回归预测1. 点对点倍比法2. 朴素周期法3. 外推法4. 指数平滑法——ETS5. ARIMA6. STLF7. 动态回归预测原创 2022-03-09 20:41:22 · 407 阅读 · 0 评论 -
TensorFlow2 | RNN—时间序列预测—几个简单代码例子
代码整理自 《Hands On Machine Learning with sklearn,Keras and TensorFlow》Chapter 15: Processing Sequences Using RNNs and CNNs。文章目录1.生成模拟数据2.朴素预测方法作为基准预测方法3.TensorFlow线性回归预测4.simple RNN5. 多层 RNN6.预测未来的10个点6.1 10次预测10个点:Sequence-to-Vector RNN6.2 1次预测10个点:Sequen原创 2020-07-14 20:12:20 · 1998 阅读 · 0 评论 -
时间序列预测模型——ARIMA综述
参考资料 https://blog.csdn.net/qq_36810398/article/details/103381406。参考资料 https://stats.stackexchange.com/questions/19715/why-does-a-time-serieshave-to-be-stationary。有很多 API 可以直接返回最优的差分次数,例如 R 语言的 ndiff...原创 2019-12-19 16:21:23 · 1192 阅读 · 0 评论 -
时间序列平稳性检验—R语言KPSS检验
1.R语言函数ur.kpss()对于一个时间序列,例如用R自带的google股价变化数据goog(可以通过导入fpp2包之后直接使用goog这个数组变量,这里仅为示例,代指要检验的时间序列或者数组)。1.1 对goog进行KPSS检验R代码为library(urca)summary(ur.kpss(goog))输出结果如下:这个结果怎么解释?没找到官方的太严格的资料。我根据一些参考...原创 2019-12-04 10:07:56 · 14202 阅读 · 3 评论 -
R | forecast-动态谐波回归原理
——本文章中的动态谐波回归的一些个人的理解,仅供参考1. R中的动态回归模型(Dynamic Regression Models)对一个时间序列{y(n)},设{x(n)}是{y(n)}的影响因素组成的时间序列,其中x(n)可以是一个向量。动态回归模型的意思就是:先用一个“机器学习模型”,用{x(n)}当做输入,{y(n)}当做目标,训练出一个机器学习模型(R中基本都是线性函数,我看有的资料...原创 2019-11-29 17:11:36 · 2469 阅读 · 0 评论 -
周期时间序列的傅里叶项:R-fourier()计算方法
一、傅里叶级数展开公式设周期函数f(x),其周期为T,角频率为,则该函数可展开为下面三角形式的傅里叶级数(展开条件等这里略过):二、R中forecast::fourier用法library(forecast)y=c(1,2,3,4,1,2,3,4)y=ts(y,frequency=4)res=fourier(y,K=2)输出结果如图:三、fourier函数计算过程因为根据(...原创 2019-11-29 16:05:11 · 4355 阅读 · 0 评论 -
Python时间序列预测:用rpy2调用R的forecast包
1.问题描述在时间序列预测上,R语言明显优于Python。R中forecast包是很强大的时间序列预测包。例如forecast::nnetar,是用神经网络对时间序列进行回归预测的,python里确没有完全相同的函数来实现;R中的forecast::auto.arima感觉比Python的pyramid.auto_arima快得多。借助rpy2包,Python可以调用R语言强大的时间序列预测...原创 2019-11-28 18:40:02 · 2458 阅读 · 4 评论 -
R语言中auto.arima函数计算步骤和参数
说明:整理自 Forecast:Principe and Practice chapter8.7 。python里的pyramid.arima.auto_arima在R语言auto.arima的基础上写的。1.计算步骤R语言里的auto.arima是Hyndman-Khandakar算法(Hyndman & Khandakar, 2008)的一个变种,它结合了单位根检验,最小化A...原创 2019-10-23 14:24:21 · 27667 阅读 · 2 评论 -
傅里叶分析原理——非常好的一篇讲解文章
【转载说明】本文原封不动地复制了文章。不过有几个概念,阅读过程中卡住了,提供两个链接帮助阅读:相位的概念,相位谱的一个例子述。-------------------------------原文开始----------------------------------作 者:韩 昊知 乎:Heinrich微 博:@花生油工人知乎专栏:与时间无关的故事谨以此文献给大连海事大学的吴楠老师,柳晓...转载 2019-10-18 11:42:12 · 5886 阅读 · 5 评论 -
时间序列平稳性的判断和处理——R语言ndiffs()
1.时间序列的平稳性与差分阶数对于一个时间序列,它的一个最基本的特征就是它是否是平稳序列。把非平稳序列转化为平稳序列,一般常用的方法是做差分。那么有两个问题来了:(1)一个时间序列是否是平稳序列?(2)如果该序列非平稳,要把它变成平稳序列,差分的阶数是多少呢?2.R语言ndiffs()函数R语言用一个函数ndiff()函数解决这两个问题——这个函数返回一个时间序列变为平稳序列需要的差...原创 2019-10-11 17:08:59 · 15698 阅读 · 5 评论 -
指数平滑预测系列算法ETS——简述
整理自 Forecast:Principle and Practice chapter7,如有不清楚的地方,请参考原书 如有不清楚的地方,如有不清楚的地方,请参考原书 请参考原书https://otexts.com/fpp2/ets.html 。...原创 2019-09-26 18:57:36 · 4433 阅读 · 0 评论 -
虚拟变量陷阱原理及算例
1.虚拟变量直接在回归模型中加入定性因素(比如类别因素:男或女)存在困难,因此可以考虑把定性因素量化,使定性因素与定量因素在回归模型中起到相同的作用。这时就用到了虚拟变量。计量经济学中,把取值为0或者1的变量称为虚拟变量。例如用0表示女、1表示男。这样就把定性因素进行了量化。2.虚拟变量陷阱对于定性因素性别而言,它有两个水平——男和女,可以用一个虚拟变量x表示,x=1表示男,x=0表示女;...原创 2019-09-21 13:44:49 · 13934 阅读 · 0 评论 -
时间序列的三种模式:trend、seasonal、cyclic
整理自Forecast:Principle and Practice,chapter 2.3:Time series patterns1.Trend数据中有长期的增长或者减少的时候,称这个数据有trend。它不一定是线性的。2.Seasonal当时间序列受一年中的某个时间的影响或者一周中的某天的影响时,称这个时间序列有seasonal模式。seasonal模式需要是已知的、固定的频率变化。...原创 2019-09-02 18:54:10 · 5959 阅读 · 0 评论 -
多周期时间序列分解算法——MSTL原理
1.时间序列分解和STL算法时间序列算法分解一般是指把一个时间序列分解成:趋势序列,周期序列,残差序列。时间序列分解算法最广为人知的可能是STL算法。它只能分解出一个周期序列。有很多博客和文章叙述了STL分解的原理,例如博客 时间序列分解算法:STL。其中也有原论文的链接,看原论文也较容易理解。2.MSTL分解算法MSTL可以理解成multiple-STL。它和STL的区别是:STL分解的...原创 2019-08-27 21:53:16 · 7026 阅读 · 3 评论 -
时间序列分解算法-简述
【整理自 Forecast:Principle and Practice chapter6.】1. 时间序列的成分对于一个时间序列{y(t)},假设它是加性模型(an additive decomposition),则可以写成 y(t)=S(t)+T(t)+R(t),其中S(t)、T(t)、R(t)分别是周期成分(seasonal component)、趋势成...原创 2019-06-22 12:23:09 · 11696 阅读 · 0 评论 -
时间序列预测模型——残差分析
【整理自 Forecast:Principle and Practice】残差(Residual)在检查预测模型是否完全捕捉数据中的信息时很有用。一个好的预测方法的残差有以下特点:(1)Residual之间是无相关性的:如果Residual之间是有相关性的,那么残差中还有信息可以用到预测中。(2)Residual的均值为0:如果Residual均值非0,那么预测存在偏差(bias)。...原创 2019-04-02 11:12:55 · 12257 阅读 · 2 评论 -
判断白噪声时间序列:ACF和Box.test()
整理自 Forecast:Principles And Practice——chapter 2.9。一、自相关系数简述自相关系数就是原始时间序列中第t个数据和第t-k的序列的相关系数。亦即y[t]和y[t-k]两个序列之间的相关系数。二、根据ACF判断白噪声上图为一个白噪声时间序列的数据,考察它的各自相关系数(ACF),如下图所示:其中的每个竖线代表自相关系数的值。对于一个长度为T...原创 2019-03-28 19:40:08 · 27654 阅读 · 0 评论