前言
按照时间排下来的序列,如果比较长的话(数据体量大),
一下子看不出什么规律,此时我们就需要用到本篇章的建模方法了。
当然预测模型可以按照以下学习路径
机器学习(多层感知机、卷积) => 时间序列(LSTM、RNN等)
1 时间序列的基本概念
基本概念
顾名思义就是有时间性的序列
典型特征
数据有一个时间列作为索引
(这个时间表示的是一个先后关系)
典型应用
时间序列的建模
参数学习:通过模型参数分析这个序列的特征,
从而基于“领域知识”分析序列特点,挖掘出一些有意思的点子
预测:“预测周期”&“预测精度”是一对冲突概念,
如果想要精准预测那么预测周期不能够太长。
- 对天气预报而言,我可以基于历史天气预报未来24小时内的天气情况,并且用序列建模方法可以预测得比较精准;
- 对股票而言,我可以基于其一个月内的股价预测其接下来一周的股价变化。
时间序列的描述
时间序列 Y
鼠标右键 -> 在新标签页中打开图像
2 移动平均法与指数平滑法
移动平均法
鼠标右键 -> 在新标签页中打开图像
if 预测目标的基本趋势在某一个水平上下浮动,
趋势线是一条水平线而非斜线跟非曲线时
- 使用一次移动平均方法
if 预测目标类似于一个线性模型
(也就是趋势线是一条一次函数)
- 使用二次移动平均方法
if 预测目标的基本趋势呈周期加线性
- 使用趋势移动平均方法
N 的取值:
意味着我们计算了一个窗口长度为 N 的移动平均。
具体来说,对于每个数据点,移动平均值是该点之前(包括该点)最近的 N 个数据点的平均值。
时间序列中如果应用移动平均,
预测序列的数据量会少一个窗口长度
指数平滑法
鼠标右键 -> 在新标签页中打开图像
针对没有趋势 T 和季节性 S 的序列
- 使用一次指数平滑法
针对有趋势 T 但没有季节性 S 的序列
- 使用二次指数平滑法
针对有趋势 T 也有季节性 S 的序列
- 使用三次指数平滑法
时间序列中如果应用指数平滑,
趋势线的长度和原始序列的长度是对齐的
3 ARIMA系列模型
鼠标右键 -> 在新标签页中打开图像
自回归(AR)模型
差分模型
移动平均(MA)模型
AIC准则(赤池信息准则)
贝叶斯信息准则
4 GARCH系列模型
鼠标右键 -> 在新标签页中打开图像
Read more
- 数学建模导论 intro-mathmodel
(知识密度大、代码理论兼备)
https://datawhalechina.github.io/intro-mathmodel/#/ - Python科学计算 scientific-computing(数学建模导论的前置课程)
(知识密度小、代码实操强悍)
https://datawhalechina.github.io/scientific-computing/#/