时间序列模型预测中踩过的坑

最新推荐文章于 2024-01-04 09:30:08 发布
最新推荐文章于 2024-01-04 09:30:08 发布
阅读量277 收藏
点赞数
文章标签： 数据分析 数据挖掘 python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_48474084/article/details/127008108
版权

最近做明年的公司的销量预测、成本预测，遇到两个坑，记录一下，以示后人，希望你们也能规避之：

坑一：数据源日期字段不排序做差分（diff）,导致绘制差分图出场，包括后面的所有分析、预测步骤全部出错，预测结果也是乱七八糟。

坑二：前一次做ARIMA时间序列模型的时候，没有针对日期字段进行日期格式修改，到了最后一部预测的时候，老是报错，查阅很多文档后才解决（其实好像也不完全是这个问题，只是告诉你，后续碰到这个情况，老老实实把日期格式纠正一下，就OK了）

qq_48474084
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
测试时间序列的40个问题
TensorFlowNews
09-21 3884
作者|SAURABH JAJU 编译|Flin 来源|analyticsvidhya 介绍 时间序列预测与建模在数据分析中起着重要的作用。时间序列分析是统计学的一个分支，广泛应用于计量经济学和运筹学等领域。这篇技能测试文章是为了测试你对时间序列概念的了解程度。 共有1094人报名参加了这次技能测试。这个测试是为了测试你对时间序列的了解的水平。如果你错过了这次技能测试，这里有一些问题和对应的解决方案。如果你错过了实时测试，也可以通过阅读本文以了解你有多少题目是可以正确回答的。 这是所有参赛者的排行榜 htt
时间序列模型进行预测及异常值检测
Sky-JT的博客
12-16 5663
使用时间序列模型进行预测及异常值检测
客流量时间序列预测模型
01-27
客流量时间序列预测模型 判断依据 如果自相关是拖尾，偏相关截尾，则用 AR 算法 如果自相关截尾，偏相关拖尾，则用 MA 算法 如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。 基本步骤 平稳序列 获取时间序列 时间序列绘图 检验序列平稳性 绘制ACF PACF ADF检验 模型预测 预测值还原 预测误差检验 非平稳序列 1.获取时间序列 2.时间序列绘图 3.检验序列平稳性 4.绘制ACF PACF 5.ADF检验 6.序列差分运算 7.检验ACF PACF 值 8.ADF检验（重复6-8步骤，做n阶差分，直至序列平稳） 9.模型预测 10.预测值还原 11.预测误差检验
时间序列分析预测模型TimeSeries-Predict-master
12-27
时间序列分析 ## 什么是时间序列？ 时间序列定义为在一定时间间隔内按时间顺序测量的某个数量。 从最广泛的形式来说，时间序列分析是关于推断过去一系列数据点发生了什么，并试图预测未来会发生什么。 ## 时间序列表现形式 1.随机性：由许多不确定因素引起的序列变化，当数据没有明显的模式特征的话，我们认为它是平稳的，Y值在一个范围内随着时间上下浮动 ![image](https://user-images.githubusercontent.com/25822507/154907168-4fc59ce4-3dd9-4790-ad60-39e951139ece.png) 2.长期趋势变化：受某种基本因素的影响，数据依时间变化时表现为一种确定倾向，它按某种规则稳步地增长或下降。使用的分析方法有：移动平均法、指数平滑法、模型拟和法等 ![image](https://user-images.githubusercontent.com/25822507/154907328-d2d245b5-8ed6-4ec5-90b3-1db30b471fb5.png) 3.季节性周期变化：受季节更替等
matlab基于AR模型对时间序列进行预测
02-13
AR模型是时间序列预测的基本模型之一，在大气、海洋等领域经常使用。本代码建立了AR模型，并应用于对海洋中某指数的预测。
漫谈时间序列预测
AI蜗牛车
09-21 743
时间序列预测是我们实际项目场景中经常碰到的一类主题。在这篇文章里简单介绍一下我们观远在时序问题上的一些探索和心得体会。时序问题的定义和分类顾名思义，时间序列指的是按照时间顺序先后发生的数据序列，在此基础上，我们会对这个序列做各种任务，如分类，聚类，异常检测，预测等。本文主要的关注点会放在时间序列的预测类任务上。时序预测的用途非常的广泛，如气象降雨，交通流量，金融，商业公司的销售经营，医学上的药物反...
训练时间序列 LSTM 模型时，是否要打乱数据呢？
最新发布
酒心★
01-04 796
独立的样本：如果你的时间序列数据是独立的，即观测值之间没有时间上的依赖关系或时间关系不重要，那么你可以考虑打乱数据集。通过打乱数据，可以增加样本之间的随机性，防止模型过度依赖于数据的特定排序，并帮助模型更好地泛化到新的样本上。时间序列依赖性：如果你的时间序列数据具有内在的时间依赖性，即后续时间步骤的观测值可能会依赖于之前的观测值，那么建议不要打乱数据集。需要注意的是，打乱数据集可能会破坏时间序列的结构，并丢失特定的时间依赖性。因此，在进行数据打乱之前，建议先仔细考虑你的时间序列数据的性质和任务的要求。
数据挖掘实战（3）——时间序列预测ARIMA模型（附踩坑日志）
m0_46275020的博客
08-14 3156
数据挖掘实战（3）——时间序列预测ARIMA模型（附踩坑日志）
时间序列预测问题探究
weixin_43900321的博客
05-01 2695
1. 概念漂移 所谓概念漂移，表示目标变量的统计特性随着时间的推移以不可预见的方式变化的现象，也就是每过一段时间序列的规律是会变化的。所以，在这种情况下，拿全部时间内的数据去训练，就相当于是增加了各种噪声，预测精度是会下降的。所以，一种解决办法是不断的取最新的一阶段内的数据来训练模型做预测。 2. 序列的自相关性 在做时间序列预测时经常可以发现，用了某种算法做出来的测试集的平均绝对误差率或者r2系...
“利用ARIMA模型对时间序列进行分析的经典案例（详细代码）”一文中会遇到的问题总结（一）
热门推荐
小白的编码屋
12-15 1万+
最近有好几个朋友在问关于这篇博客的多个问题????。这里掌柜打算做个总结，方便大家查阅。 问题一： 最后得到的时序预测是负值，怎样保证为正值？ 或者 如何还原原始序列以及用ARIMA对原始序列的一个预测？ 亦或遇到报错????“KeyError: 0 During handling of the above exception, another exception occurred：xxx” 这三个其实都是问的同一个问题，即如何用ARIMA模型预测原始数据。这个问题一开始掌柜确实考虑掉了????，感谢评
Pytorch深度学习实战（1）—— 使用LSTM 自动编码器进行时间序列异常检测
sikh_0529的博客
11-19 7801
请注意，我们使用的批量大小为 1（我们的模型一次只能看到 1 个序列）。我们将构建一个 LSTM 自动编码器，在一组正常的心跳上对其进行训练，并将看不见的示例分类为正常或异常。我们取得了非常好的结果。虽然我们的时间序列数据是单变量的（我们只有 1 个特征），但代码应该适用于多变量数据集（多个特征），几乎不需要修改。在本教程中，您学习了如何使用 PyTorch 创建 LSTM 自动编码器，并使用它来检测 ECG 数据中的心跳异常。我们需要将我们的示例转换为张量，以便我们可以使用它们来训练我们的自动编码器。
matlab很小的数,matlab中aicbic确定阶数的太小
weixin_39739170的博客
03-16 1112
想用aicbic确定ARMA的阶数，但用这个确定的阶数时会出现如下错误Error using arima/validateModel (line 1314)The non-seasonal moving average polynomial is non-invertible.Error in arima/setLagOp (line 391)Mdl = validateModel(Mdl);Er...
对Transformer模型的常见问题和理解
wwlsm_zql的博客
03-02 5624
汇总关于关于Transformer模型的基础问题以及发散问题，增加对Transformer的模型的理解和各种面试
阶分差数 matlab,matlab中aicbic确定阶数的太小
weixin_29025501的博客
03-19 2458
想用aicbic确定ARMA的阶数，但用这个确定的阶数时会出现如下错误Error using arima/validateModel (line 1314)The non-seasonal moving average polynomial is non-invertible.Error in arima/setLagOp (line 391)Mdl = validateModel(Mdl);Er...
时序预测模型ARIMA报错，NotImplementedError
weixin_52487332的博客
04-09 1万+
from statsmodels.tsa.arima_model import ARMA from statsmodels.tsa.arima_model import ARIMA tmp.append(ARIMA(demand_his, (2,1,3)).fit().bic) 报错： NotImplementedError: statsmodels.tsa.arima_model.ARMA and statsmodels.tsa.arima_model.ARIMA have been remo.
时间序列的分析和预测
bigquant的博客
07-02 4480
由于预测股票市场的未来股票价格对投资者至关重要，时间序列及其相关概念具有组织数据以进行准确预测的卓越品质。在本文中，让我们阅读时间序列的重要性、分析和预测。在这里，涵盖的一些基本子主题是：简而言之，时间序列是随时间推移的一系列观察结果，通常以固定间隔隔开。为了支持该声明，以下是时间序列的一些示例：来到时间序列分析，它只是意味着识别那些有助于分析时间序列数据的方法。时间序列分析的主要目的是开发能够最好地捕捉或描述时间序列或数据集的模型。此外，这有助于了解数据集的根本原因，以帮助您创建有意义且准确的预测。...
python中使用 ARIMA是出现类型转换错误的解决办法
广埠屯小拉登的博客
03-13 5653
0.出现错误处的相关代码： model = ARIMA(ts, order=(2, 1, 0)) result_AR = model.fit(disp=-1) plt.plot(ts_log_diff) plt.plot(result_AR.fittedvalues, color='red') plt.title('AR model RSS:%.4f' % sum(result_AR.fitte...
数学建模系列-预测模型（三）时间序列预测模型
vcvvcvx的博客
02-10 4809
时间序列的目的：进行预测，根据已有的时间序列数据预测未来。思路是确定已有的时间序列变化模式，并假定这种模式会延续到未来。不考虑事物发展之间的因果。时间序列可简化为两部分：趋势和季节性，以及两者之外的随机变动。时间序列是事物在不同时间上的相继观察值排列而成的序列。时间序列中的时间可以是可以是年份、季度、月份或其他任何时间形式。本文所用的数据文件：链接：https://pan.baidu.com/s/1mZhZDNX4Vzt4tONi7xCcnw?pwd=52ts提取码：52ts。
时间序列分析思路
weixin_46065796的博客
07-24 2861
一、定义二、平稳性检验三、随机性检验四、平稳时间序列分析五、非平稳时间序列分析六、模型检验七、模型优化 一、定义 按照时间的顺序把一个随机事件变化发展的过程记录下来就构成了一个时间序列，即按照时间次序排列的随机变量序列。对时间序列进行观察、研究，寻找它变化发展的规律，预测它将来的走势就是时间序列分析。假设X_1, X_2, X_3…… X_t表示一个随机事件的时间序列，记为{ X_t,t∈T}；用x_1, x_2, x_3……x_n表示该随机序列的n个有序观察值，记为{x_t,t=1,2,3,……,n}。.
季节时间序列模型预测
09-09
针对季节时间序列模型的预测，我可以为您提供一些基本的解释和方法。 季节时间序列模型是一种用于分析具有明显季节性变化的数据的模型。它可以用来预测未来一段时间内的数据趋势，例如每月销售额、季度收入等。常见...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值