python进行传统时序预测

时间序列数据无处不在,伴随着时间的延续,人们希望通过对过去时间段数据的统计去预测未来时间段相应指标的变化情况,由此时间序列预测模型应运而生。这里我们将着重讲一下利用python进行的传统时序预测模型。

首先导入数据,为保证数据的有效性先进行数据的清洗。检验数据有无缺失(根据结果无缺失),检验有无异常值(可采用Hampel滤波器进行时序异常识别与处理,这里数据无异常没处理)。

这里提供3中传统时间序列预测方法,分别为arima,prophet以及结合前两个模型输出作为输入的树模型

arima要求数据是平稳的(经过adf检验)且为白噪声,否则需要对原始数据进行差分。这里输入原始数据利用相应代码进行检验,确定差分次数与结果
在这里插入图片描述

对arima模型,可通过自动寻参确定p,d,q的值,并进行建立。观察建立模型的模型诊断图模型诊断图包括拟合残差的折线图,密度分布图,qq图,与自相关。arima模型认为模型拟合残差应为白噪声且非自相关的,这才是好的模型。这里给出arima模型的拟合情况供参考
在这里插入图片描述

prophet模型由Facebook开创,简单易上手,使用要求并无arima一定要为平稳时间序列,用原始数据建模结果如下

在这里插入图片描述

在实际应用中,arima模型预测更偏向数值精确度,而prophet模型更偏向预测趋势。我们可以用树模型将两种模型进行结合,采用回归预测的方式得到更优异的结果,如下图所示
在这里插入图片描述

结果令人十分满意,具体数据及代码可供参考:https://mbd.pub/o/bread/ZZyXlpxq。

  • 20
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论

“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 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

不上心的马小跳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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