用Python实现时间序列模型实战——Day 11: 指数平滑模型

写代码的M教授

于 2024-09-05 08:30:00 发布

阅读量2.3k

点赞数 49

分类专栏：时间序列模型文章标签： python 机器学习算法

本文链接：https://blog.csdn.net/qq_41698317/article/details/141830195

版权

时间序列模型专栏收录该内容

29 篇文章 3 订阅

订阅专栏

一、学习内容

1. 简单指数平滑法

简单指数平滑法：

简单指数平滑法 (Simple Exponential Smoothing, SES) 是一种用于平滑时间序列数据的技术，通过对数据赋予不同的指数权重，较新的数据点权重更高。
SES 适用于平稳的时间序列数据，即没有显著趋势和季节性成分的时间序列。
SES 模型的公式为：

$S_t = \alpha y_t + (1 - \alpha) S_{t-1}$

其中：

$S_t$ 是时间 $t$ 的平滑值。
$y_t$ 是时间 $t$ 的观测值。
$\alpha$ 是平滑系数，取值范围为 0 到 1。

2. 霍尔特线性趋势模型

霍尔特线性趋势模型：

霍尔特线性趋势模型 (Holt’s Linear Trend Model) 是对简单指数平滑法的扩展，适用于具有趋势的时间序列数据。
霍尔特模型通过引入趋势项来捕捉数据中的线性趋势，其公式为：

$S_t = \alpha y_t + (1 - \alpha)(S_{t-1} + T_{t-1})$

$T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1}$

其中：

$S_t$ 是时间 $t$ 的平滑值。
$T_t$ 是时间 $t$ 的趋势项。
$\alpha$ 是平滑系数。
$\beta$ 是趋势平滑系数。

3. 霍尔特-温特斯季节性模型

霍尔特-温特斯季节性模型：

霍尔特-温特斯模型 (Holt-Winters Seasonal Model) 是对霍尔特模型的进一步扩展，适用于具有季节性成分的时间序列数据。
该模型包括三部分：平滑值、趋势项和季节性项，其公式为：

$S_t = \alpha \frac{y_t}{I_{t-m}} + (1 - \alpha)(S_{t-1} + T_{t-1})$

$T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1}$

$I_t = \gamma \frac{y_t}{S_t} + (1 - \gamma) I_{t-m}$

其中：

$I_t$ 是时间 $t$ 的季节性项。
$\gamma$ 是季节性平滑系数。
$m$ 是季节性周期。

二、实战案例

我们将使用 statsmodels 库对一个时间序列数据集应用简单指数平滑、霍尔特线性趋势模型和霍尔特-温特斯季节性模型，并比较这些模型的表现。

1. 数据加载与原始数据可视化

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import SimpleExpSmoothing, ExponentialSmoothing

# 加载时间序列数据集
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv"
data = pd.read_csv(url, parse_dates=['Month'], index_col='Month')

# 绘制原始数据的时间序列图
plt.figure(figsize=(12, 6))
plt.plot(data['Passengers'], label='Original')
plt.title('Original Time Series')
plt.xlabel('Date')
plt.ylabel('Number of Passengers')
plt.legend()
plt.grid(True)
plt.show()

程序解释：

载入航空乘客数据集，并绘制原始时间序列图，观察乘客数量的变化趋势和季节性。

结果输出：

2. 简单指数平滑

# 简单指数平滑
model_ses = SimpleExpSmoothing(data['Passengers']).fit(smoothing_level=0.2)
data['SES'] = model_ses.fittedvalues

# 绘制简单指数平滑的结果
plt.figure(figsize=(12, 6))
plt.plot(data['Passengers'], label='Original')
plt.plot(data['SES'], label='SES', color='red')
plt.title('Simple Exponential Smoothing')
plt.xlabel('Date')
plt.ylabel('Number of Passengers')
plt.legend()
plt.grid(True)
plt.show()

程序解释：

使用 SimpleExpSmoothing 对时间序列进行简单指数平滑，指定平滑系数 α=0.2\alpha = 0.2α=0.2。
绘制平滑后的结果，并与原始数据进行对比。简单指数平滑适用于无趋势和季节性的平稳时间序列。

结果输出：

简单指数平滑的结果：简单指数平滑对时间序列进行了平滑处理，结果曲线较为平滑，但未能捕捉到数据中的趋势和季节性波动。

3. 霍尔特线性趋势模型

# 霍尔特线性趋势模型
model_holt = ExponentialSmoothing(data['Passengers'], trend='add').fit()
data['Holt'] = model_holt.fittedvalues

# 绘制霍尔特线性趋势模型的结果
plt.figure(figsize=(12, 6))
plt.plot(data['Passengers'], label='Original')
plt.plot(data['Holt'], label='Holt', color='green')
plt.title('Holt’s Linear Trend Model')
plt.xlabel('Date')
plt.ylabel('Number of Passengers')
plt.legend()
plt.grid(True)
plt.show()

程序解释：

使用 ExponentialSmoothing 模型中的 trend='add' 选项，对具有趋势的时间序列进行建模。
绘制霍尔特模型的拟合结果，并与原始数据对比。霍尔特模型捕捉了数据中的线性趋势。

结果输出：

霍尔特线性趋势模型的结果：霍尔特模型成功捕捉了时间序列中的线性趋势，但仍未能捕捉到季节性成分。

4. 霍尔特-温特斯季节性模型

# 霍尔特-温特斯季节性模型
model_hw = ExponentialSmoothing(data['Passengers'], trend='add', seasonal='add', seasonal_periods=12).fit()
data['Holt-Winters'] = model_hw.fittedvalues

# 绘制霍尔特-温特斯季节性模型的结果
plt.figure(figsize=(12, 6))
plt.plot(data['Passengers'], label='Original')
plt.plot(data['Holt-Winters'], label='Holt-Winters', color='purple')
plt.title('Holt-Winters Seasonal Model')
plt.xlabel('Date')
plt.ylabel('Number of Passengers')
plt.legend()
plt.grid(True)
plt.show()

程序解释：

使用 ExponentialSmoothing 模型中的 trend='add' 和 seasonal='add' 选项，针对具有趋势和季节性的时间序列进行建模。
绘制霍尔特-温特斯模型的拟合结果，并与原始数据进行对比。该模型能够捕捉数据中的趋势和季节性成分。

结果输出：

霍尔特-温特斯季节性模型的结果：霍尔特-温特斯模型捕捉到了时间序列中的趋势和季节性变化，拟合效果明显优于前两种方法。

三、结果分析

1. 模型适用性

简单指数平滑适用于无趋势和季节性的平稳时间序列，适用范围较窄。
霍尔特线性趋势模型适用于有趋势但无季节性的时间序列，能够有效捕捉数据中的趋势成分。
霍尔特-温特斯季节性模型适用于有趋势和季节性的时间序列，能够同时捕捉趋势和季节性变化，是最为灵活和强大的指数平滑方法。

2. 模型对比

通过对比三种模型的拟合效果，可以看到霍尔特-温特斯模型在处理季节性时间序列数据时表现最好。而简单指数平滑和霍尔特线性趋势模型则在处理季节性成分时显得力不从心。

3. 模型选择的依据

在实际应用中，选择哪种指数平滑模型取决于时间序列的特性。对于没有明显趋势和季节性的平稳时间序列，可以使用简单指数平滑；对于有趋势但无季节性的时间序列，可以选择霍尔特线性趋势模型；对于有趋势和季节性的时间序列，霍尔特-温特斯模型是最佳选择。

四、模型总结与比较

简单指数平滑 (SES)：
- 适用场景：适用于没有趋势和季节性波动的平稳时间序列。
- 优点：简单易用，计算量小。
- 缺点：无法处理具有趋势或季节性的序列。
霍尔特线性趋势模型：
- 适用场景：适用于具有线性趋势但没有季节性的时间序列。
- 优点：能够捕捉线性趋势，适合趋势明显的数据。
- 缺点：无法处理季节性波动。
霍尔特-温特斯季节性模型：
- 适用场景：适用于具有季节性和趋势的时间序列。
- 优点：能够同时捕捉趋势和季节性波动，是最为灵活的指数平滑模型。
- 缺点：计算量相对较大，模型较复杂。

五、实践建议

数据特性分析：在选择模型之前，首先要分析时间序列数据的特性，包括是否存在趋势和季节性成分。可以通过绘制时间序列图、ACF 和 PACF 图来初步判断。
模型选择：根据数据特性选择合适的模型。例如，对于具有季节性和趋势的时间序列，霍尔特-温特斯季节性模型是最好的选择。而对于简单的平稳序列，SES 可能已经足够。
模型调优：在实际应用中，可能需要调整模型的参数（如平滑系数 α\alphaα、趋势平滑系数 β\betaβ、季节性平滑系数 γ\gammaγ 等）以获得更好的拟合效果。可以通过交叉验证或信息准则（如 AIC、BIC）来评估模型的表现。
模型评估：在模型拟合之后，应该通过残差分析、预测性能评估（如 MSE、RMSE）等方法对模型进行全面评估，确保模型的预测能力。

六、扩展学习

指数平滑模型在实际应用中的拓展：指数平滑模型不仅适用于时间序列预测，在库存管理、财务预测等领域也有广泛应用。建议进一步学习这些模型在实际业务场景中的应用案例，以增强对模型的理解和使用能力。
高级时间序列模型：除了指数平滑模型外，时间序列分析中还有许多其他重要的模型，如 ARIMA、SARIMA、GARCH 模型等。建议在掌握基础模型后，进一步学习这些高级模型，以应对更加复杂的数据分析任务。

通过以上的学习和案例实践，您对指数平滑模型的应用场景、模型选择和参数调优有了全面的了解。今后可以将这些模型应用到实际的时间序列预测任务中，提高预测的准确性和模型的解释性。