python 实现时间序列(趋势型序列预测)

本篇文章只要是通过例子实践来简单了解含有趋势成分的时间序列的预测方法。

时间序列的趋势可以分为线性趋势和非线性趋势两大类，倘若这种趋势能够延续到未来，就可以利用趋势进行外推预测。

有趋势序列的预测方法主要有线性趋势预测、非线性趋势预测和自回归模型预测等。但本篇主要介绍线性趋势和非线性趋势的预测方法。

线性趋势：是指现象随着时间的推移而呈现出稳定增长或下降的线性变化规律。

指数曲线：用于描述以几何级数递增或递减的现象，即时间序列的观察值按指数规律变化，或者说时间序列的逐期观察值按一定的比率增长或衰减。

多阶曲线：有些现象的变化形态比较复杂，它们不是按照某种固定的形态变化，而是有升有降，在变化过程中可能有几个拐点。

线性趋势方程：

指数曲线的趋势方程：

K阶曲线的趋势方程：

---

python实践以下面的数据展开：

# 先导入相关包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文字体
plt.rcParams['axes.unicode_minus'] = False    # 显示负号

# 导入以上数据
files_path = "E:\\xx_python实践\\"
df = pd.read_excel("时间序列.xlsx")

df["t2"] = df["t"]**2   # 为二阶曲线做准备
df["t3"] = df["t"]**3   # 为三阶曲线做准备

• 拟合线性趋势线

def linear_trend(x, y):
    lreg = LinearRegression()
    lreg.fit(x, y)
    coef = round(lreg.coef_[0][0],4)
    intercept = round(lreg.intercept_[0], 4)
    
    pred = lreg.predict(x)
    plt.plot(pred)
    plt.title("线性趋势方程 yt={} + ({})t".format(intercept, coef))
    plt.show()
    return (intercept, coef)
linear_trend(df[['t']], df[['y']])

• 拟合二阶曲线

def second_order_trend(x, y):
    lreg = LinearRegression()
    lreg.fit(x, y)
    coef = lreg.coef_[0]
    intercept = round(lreg.intercept_[0], 4)
    
    pred = lreg.predict(x)
    plt.plot(pred)
    plt.title("二阶曲线 yt={} + ({})t + ({})t**2".format(intercept, round(coef[0],4), round(coef[1], 4)))
    plt.show()
    return (intercept, coef)
second_order_trend(df[['t','t2']], df[['y']])

• 拟合三阶曲线

def  third_order_trend(x, y):
    lreg = LinearRegression()
    lreg.fit(x, y)
    coef = lreg.coef_[0]
    intercept = round(lreg.intercept_[0], 4)
    
    pred = lreg.predict(x)
    plt.plot(pred)
    plt.title("三阶曲线 yt={} + ({})t + ({})t**2 + ({})t**3".format(
        intercept, round(coef[0],4),round(coef[1], 4), round(coef[2], 4)))
    plt.show()
    return (intercept, coef)
third_order_trend(df[['t','t2', 't3']], df[['y']])

 

• 拟合指数趋势线

def exp_trend(x, y):
    y = np.log(y)
    lreg = LinearRegression()
    lreg.fit(x, y)
    coef = np.exp(lreg.coef_[0][0])
    intercept = np.exp(lreg.intercept_[0])
    
    pred = x.applymap(lambda x: round(intercept * math.pow(coef, x), 2))
    
    plt.plot(x, pred)
    plt.title("指数曲线方程 yt={} x {}**t".format(round(intercept,3), round(coef, 3)))
    plt.show()
    return (intercept, coef)
exp_trend(df[['t']], df[['y']])