学习记录（三）——时间序列预测方法

学习记录（三）——时间序列预测方法

ARMA/ARIMA

自回归滑动平均模型（auto regressive moving average model，ARMA）只能针对平稳数据进行建模，只能支持对单变量历史数据的回归，处理不了多变量的情况。

差分整合移动平均自回归模型（autoregressive integrated moving average model，ARIMA）是ARMA的改进版，需要先对数据进行差分，差分平稳后在进行建模。

机器学习方法

使用机器学习方法，需要先进行特征工程。【参考：深度了解特征工程 - 知乎 (zhihu.com)】

• 数据预处理：

  数据清洗：包括缺失值、异常值、重复值处理，数据格式的转换，数据采样区间的选择等。

  特征转换：对于连续变量进行特征缩放、无量纲化、归一化、二值化等，对于离散变量进行数值化、哑编码等，对于时间序列进行时间戳处理，即对于时间维度的选取与选取与处理。

• 特征选择：

  特征检验：对于单变量进行正态性检验、显著性分析；对于多变量进行一致性检验、多重共线性检验；对于时间序列进行协整检验（分析时间序列的非平稳性