时间序列模式（ARIMA）python实现

1.常见的时间序列算法：

     

2.时序模型的预处理

    1. 纯随机序列，既白噪声序列，序列各项没有任何关系，可以终止对该序列的分析；

    2. 平稳非白噪声序列，均值和方差不随时间变动。使用ARMA；

    3. 非平稳序列，一般方法是将其转化为平稳序列，可以使使用ARIMA。

   平稳性检验

    1.时序图检验： 平稳时间序列的均值和方差都是常数，则平稳时间序列的时序图显示在一个参数附近随机波动，而且波动是有周期性的，如果有明显的趋势或则周期性，通常不是平稳序列；

    2. 自相关图检验： 平稳序列具有短期相关性，既通常只有近期序列的值的影响比较明显，间隔远的过去值对现在的影响比较小。而非平稳序列的自相关系数衰减的速度比较慢；

    3. 单位根检验： 检验时间序列中是否存在单位根，如果存在单位根，那就是非平稳时间序列。也是目前最常用的检验方法。

    原假设：非平稳时间序列，备假设：平稳序列，趋势平稳过程  

     

                

        

              

          

3. 时间序列分析：

    平稳性：要求序列的均值和方差不发生明显的变化

    弱平稳：期望和相关系数不变，未来的某个时刻t的值，Xt要依赖于它过去的信息

    差分法： 时间序列在T与T-1时刻的差值（使用差分使其满足平稳性），一般差分1，2阶就可以了

     

    自回归模型的限制：

    1. 必须使用自身数据进行预测；

    2. 必须具有平稳性；

    3. 必须有相关性，相关性小于0.5则不宜使用；

    4. 只适用于预测与自身前期相关的预测；