欢迎使用CSDN-markdown编辑器

最新推荐文章于 2024-08-30 08:30:00 发布
最新推荐文章于 2024-08-30 08:30:00 发布
阅读量505 收藏
点赞数
分类专栏： TS 文章标签： test

Jupyter 设置
In [1]:
%%javascript
IPython.OutputArea.prototype._should_scroll = function(lines) {
return false;
}
使用pandas 和 pyplot
In [2]:
import pandas as pd, numpy as np
import matplotlib.pyplot as plt

Jupyter 设置

%matplotlib inline
读取数据及简单的预处理
载入数据集
In [3]:
df_fx_data = pd.read_csv(‘BOE-XUDLERD.csv’)
df_fx_data.head()
Out[3]:
Date Value
0 2017-06-09 0.8941
1 2017-06-08 0.8912
2 2017-06-07 0.8878
3 2017-06-06 0.8875
4 2017-06-05 0.8888
查看日期的数据类型：str
In [4]:
type(df_fx_data[‘Date’][0])
Out[4]:
str
In [5]:
df_fx_data[‘Date’] = pd.to_datetime(df_fx_data[‘Date’])
df_fx_data.head()
Out[5]:
Date Value
0 2017-06-09 0.8941
1 2017-06-08 0.8912
2 2017-06-07 0.8878
3 2017-06-06 0.8875
4 2017-06-05 0.8888
现在日期类型为： pandas._libs.tslib.Timestamp
In [6]:
type(df_fx_data[‘Date’][0])
Out[6]:
pandas._libs.tslib.Timestamp
用变量Date作为索引
In [7]:
indexed_df = df_fx_data.set_index(‘Date’)
时间序列的变量即为Value
In [8]:
ts = indexed_df[‘Value’]
ts.head(5)
Out[8]:
Date
2017-06-09 0.8941
2017-06-08 0.8912
2017-06-07 0.8878
2017-06-06 0.8875
2017-06-05 0.8888
Name: Value, dtype: float64
绘制折线图
In [9]:
plt.plot(ts)
Out[9]:
[

seed random number generator

seed(1)

create white noise series

whitenoise = Series([gauss(0.0, 1.0) for i in range(1000)])
acf_pacf(whitenoise, lags=40, title=’White Noise Series’)

汇率时间序列, 显然不是一个白噪声序列
In [15]:
acf_pacf(ts_week, lags=40, title=’Weekly Euro Dollar Exchange Rate’)

稳定时间序列
检查稳定性(Stationarity)
稳定性(Stationarity): 在稳定的时间序列中变量的统计属性，诸如均值(mean)，方差(variance)，自相关(autocorrelation)，自协方差(autocovariance) 等不随时间改变。
adfuller(timeseries, autolag=’AIC’) autolag: 按某个度量自动选择测试使用的lag数量以使该度量最小化
AIC: Akaike Information Criterion, 估算两个回归模型之间的KL散度/相对熵; KL散度/相对熵用于衡量近似分布与真实分布的接近程度
p-value: 显著性概率
In [16]:
from statsmodels.tsa.stattools import adfuller

def test_stationarity(timeseries, window=10):
# 求移动平均和移动标准差
# window为选取的时间窗口个数
rolmean = timeseries.rolling(window=window, center=False).mean()
rolstd = timeseries.rolling(window=window, center=False).std()

# 将以周重取样后的时间序列、移动平均和移动标准差制成折线图
orig = plt.plot(timeseries, color='blue', label='Original')
mean = plt.plot(rolmean, color='red', label='Rolling Mean')
std = plt.plot(rolstd, color='black', label='Rolling Std')
plt.legend(loc='best')
plt.title('Rolling Mean & Standard Deviation')
plt.show(block=False)

# 用Augmented Dickey-Fuller检验测试时间序列稳定性:
print('Results of Augmented Dickey-Fuller Test:')
# 使用减小AIC的办法估算ADF测试所需的滞后数
dftest = adfuller(timeseries, autolag='AIC')
# 将ADF测试结果、显著性概率、所用的滞后数和所用的观测数打印出来
dfoutput = pd.Series(dftest[0:4], index=['Test Statistic', 'p-value', 
                                         'Num Lags Used', 
                                         'Num Observations Used'])
for key, value in dftest[4].items():
    dfoutput['Critical Value (%s)' % key] = value
print(dfoutput)

In [17]:
test_stationarity(ts_week)

Results of Augmented Dickey-Fuller Test:
Test Statistic -2.058902
p-value 0.261358
Num Lags Used 2.000000
Num Observations Used 2212.000000
Critical Value (1%) -3.433310
Critical Value (10%) -2.567466
Critical Value (5%) -2.862848
dtype: float64
-2.217962 > Critical Value (5%), p-value > 0.05
移除趋势和季节性
seasonaldecompose: 按照滑动均值将维经过指数转化的时间序列分为趋势(trend), 季节性(seasonality)和残差(residual)三部分
有明显的趋势但季节性并不明显(数值变化范围小）
残差不是白噪音
对数转换: np.log(series)
使用第一差分去掉趋势: Y′=Yt−Yt−1
比较发现这里log再差分的平稳性较仅差分要好
In [18]:
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.stats.diagnostic import acorr_ljungbox
def decompose_plot(series, title=”):
decomposition = seasonal_decompose(series)
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid
fig = decomposition.plot()
fig.set_size_inches(10,6)
fig.suptitle(title)
fig.tight_layout()
fig2 = acf_pacf(residual, title=’Residuals’, figsize=(10,4))

每周汇率

decompose_plot(ts_week, title=’ts_week’)

In [19]:

使用第一差分去掉趋势

ts_week_diff = ts_week - ts_week.shift(1)
test_stationarity(ts_week_diff.dropna())
decompose_plot(ts_week_diff.dropna(), title=’ts_week_diff’)

Results of Augmented Dickey-Fuller Test:
Test Statistic -29.988468
p-value 0.000000
Num Lags Used 1.000000
Num Observations Used 2212.000000
Critical Value (1%) -3.433310
Critical Value (10%) -2.567466
Critical Value (5%) -2.862848
dtype: float64

In [20]:

对数转换, 使用第一差分去掉趋势

ts_week_log = np.log(ts_week)
ts_week_log_diff = ts_week_log - ts_week_log.shift(1)
test_stationarity(ts_week_log_diff.dropna())
decompose_plot(ts_week_log_diff.dropna(), title=’ts_week_log_diff’)

plt.show()

Results of Augmented Dickey-Fuller Test:
Test Statistic -36.417784
p-value 0.000000
Num Lags Used 0.000000
Num Observations Used 2213.000000
Critical Value (1%) -3.433308
Critical Value (10%) -2.567466
Critical Value (5%) -2.862847
dtype: float64

建立模型
ARIMA(p, d, q)
找到合适的差分阶数 d
刚才通过一次差分已达到平稳 d=1
也可以通过ACF和PACF来找到合适的d
In [21]:
acf_pacf(ts_week_log, title=’ts_week_log’)

序列在lag>1出有显著的正自相关, 需提高差分阶数
lag=1 时自相关为0或负值, 无需差分
lag=1 时自相关< -0.5, 则为过差分
因此ts_week_log 需要差分一次, ts_week_log_diff是差分一次后的ts_week_log
In [22]:
acf_pacf(ts_week_log_diff, title=’ts_week_log_diff’, lags=10)

序列在lag>1已无显著的正自相关, 无需差分
AR和MA项数 p, q
得到平稳的时间序列后需要决定p和q
参照上图
p: 如果PACF(lag<=k)显著且PACF(lag>k)均不显著, 考虑将p设为k
q: 如果ACF(lag<=k)显著且ACF(lag>k)均不显著, 考虑将q设为k
p: 如果差分后序列的PACF迅速衰减到0而ACF在lag较高处仍有显著的较强的相关, 和/或 ACF(lag=1) > 0, 考虑增加p
q: 如果差分后序列的ACF迅速衰减到0, 和/或 ACF(lag=1) < 0, 考虑增加q
绘出拟合后的ARIMA的拟合残差的ACF和PACF, 按上述规则调整p和/或q
下图为ARIMA(0,1,0)的拟合残差
可以考虑p=1, q=1
In [23]:
from statsmodels.tsa.arima_model import ARIMA

ARIMA的参数: order = p, d, q

model = ARIMA(ts_week_log, order=(0, 1, 0))

已拟合的模型

results_ARIMA = model.fit()

拟合的数据和原始数据的残差

residuals = pd.DataFrame(results_ARIMA.resid)
acf_pacf(residuals, lags=10, title=’Residuals, p=0, d=1, q=0’)

这里ARIMA(1,1,0), ARIMA(0,1,1) 和 ARIMA(1,1,1)都是可用的
ARIMA模型是通过优化AIC, HQIC, BIC等得出的, 一般来说AIC较小的模型拟合度较好, 但拟合度较好不能说明预测能力好
In [24]:
a110=ARIMA(ts_week_log, order=(1, 1, 0)).fit()
a011=ARIMA(ts_week_log, order=(0, 1, 1)).fit()
a111=ARIMA(ts_week_log, order=(1, 1, 1)).fit()
acf_pacf(a110.resid, lags=10, title=’Residuals, p=1, d=1, q=0, aic=%f’%a110.aic)
acf_pacf(a011.resid, lags=10, title=’Residuals, p=1, d=1, q=1, aic=%f’%a011.aic)
acf_pacf(a111.resid, lags=10, title=’Residuals, p=0, d=1, q=1, aic=%f’%a111.aic)

拟合ARIMA模型
In [25]:
from statsmodels.tsa.arima_model import ARIMA

ARIMA的参数: order = p, d, q

model = ARIMA(ts_week_log, order=(1, 1, 1))

已拟合的模型

results_ARIMA = model.fit()

ARIMA的结果

print(results_ARIMA.summary())

比较拟合的数据和原始数据,

注意fittedvalues返回的是d次差分后的序列, 因此和ts_week_log_diff比较

plt.plot(ts_week_log_diff)
plt.plot(results_ARIMA.fittedvalues, color=’red’)

拟合的数据和原始数据的残差

residuals = pd.DataFrame(results_ARIMA.resid)

计算拟残差平方和(RSS)

plt.title(‘RSS: %.4f’% sum((results_ARIMA.fittedvalues-ts_week_log_diff)**2))
acf_pacf(residuals, lags=10, title=’Residuals’)

残差的核密度估计

residuals.plot(kind=’kde’)
print(‘\n\nResiduals Summary:\n’, residuals.describe())

plt.show()

ARIMA Model Results

Dep. Variable: D.Value No. Observations: 2214
Model: ARIMA(1, 1, 1) Log Likelihood 6796.505
Method: css-mle S.D. of innovations 0.011
Date: Tue, 20 Jun 2017 AIC -13585.010
Time: 05:37:20 BIC -13562.200
Sample: 01-12-1975 HQIC -13576.678

- 06-11-2017

coef std err z P>|z| [0.025 0.975]

const 6.925e-05 0.000 0.223 0.824 -0.001 0.001
ar.L1.D.Value 0.1447 0.087 1.666 0.096 -0.026 0.315
ma.L1.D.Value 0.1125 0.087 1.286 0.199 -0.059 0.284

Roots

Real Imaginary Modulus Frequency

AR.1 6.9095 +0.0000j 6.9095 0.0000

MA.1 -8.8887 +0.0000j 8.8887 0.5000

Residuals Summary:
0
count 2214.000000
mean 0.000001
std 0.011237
min -0.061446
25% -0.006740
50% -0.000251
75% 0.006910
max 0.063923

ARIMA模型会使拟合和原始数据的残差变为白噪声
In [26]:
acf_pacf(results_ARIMA.fittedvalues-ts_week_log_diff, title=’Residuals’)

将拟合的值逆向转换并可视化
In [27]:
predictions_ARIMA_diff = pd.Series(results_ARIMA.fittedvalues, copy=True)
predictions_ARIMA_diff.head()
Out[27]:
Date
1975-01-12 0.000069
1975-01-19 -0.002406
1975-01-26 0.001011
1975-02-02 -0.004028
1975-02-09 -0.001174
Freq: W-SUN, dtype: float64
差分的逆向转换为累计和
指数的逆向转换为对数
In [28]:

一阶差分的逆向转换为累计和

predictions_ARIMA_diff_cumsum = predictions_ARIMA_diff.cumsum()

对数函数的逆向转换为指数函数

predictions_ARIMA_log = pd.Series(ts_week_log.iloc [0], index=ts_week_log.index)
predictions_ARIMA_log = predictions_ARIMA_log.add(predictions_ARIMA_diff_cumsum,fill_value=0)
比较拟合的序列和原序列的均根差, 即为拟合错误
In [29]:
predictions_ARIMA = np.exp(predictions_ARIMA_log)
plt.plot(ts_week)
plt.plot(predictions_ARIMA)
plt.title(‘RMSE: %.4f’% np.sqrt(sum((predictions_ARIMA-ts_week)**2)/len(ts_week)))
Out[29]:

我们的ARIMA模型针对的是序列ts_week_log

因此使用的数据为ts_week_log

因此须将预测做指数转换

使用 n_test_obs 个点校验

n_test_obs = 50
size = int(len(ts_week_log) - n_test_obs)

切分数据集

train, test = ts_week_log[:size], ts_week_log[size:len(ts_week_log)]

历史值

history = [x for x in train]

预测值

predictions = list()

置信区间

confidence_intervals = list()

print(‘Predicted vs Expected Values…’)
print(‘\n’)
for t in range(len(test)):
model = ARIMA(history, order=(1,1,1))
model_fit = model.fit()
output = model_fit.forecast(steps=1)
yhat = output[0]
predictions.append(float(yhat))
confidence_intervals.append(output[2])
obs = test[t]
history.append(obs)

# 须将预测做指数转换
print('predicted=%f, expected=%f' % (np.exp(yhat), np.exp(obs)))

error = mean_squared_error(test, predictions)

print(‘\n’)
predictions_series = pd.Series(predictions, index = test.index)
print(‘Test MSE: %.6f’ % error)
Predicted vs Expected Values…

predicted=0.886215, expected=0.902880
predicted=0.907080, expected=0.902180
predicted=0.901661, expected=0.902660
predicted=0.902891, expected=0.908120
predicted=0.909561, expected=0.905840
predicted=0.905181, expected=0.896540
predicted=0.894294, expected=0.897600
predicted=0.898145, expected=0.886780
predicted=0.884036, expected=0.885600
predicted=0.885608, expected=0.896075
predicted=0.898827, expected=0.891100
predicted=0.889625, expected=0.891240
predicted=0.891471, expected=0.893720
predicted=0.894386, expected=0.890820
predicted=0.890071, expected=0.894120
predicted=0.895091, expected=0.904860
predicted=0.907586, expected=0.913620
predicted=0.915668, expected=0.917360
predicted=0.918185, expected=0.903520
predicted=0.899997, expected=0.913160
predicted=0.916041, expected=0.936860
predicted=0.942785, expected=0.945060
predicted=0.946632, expected=0.941900
predicted=0.941006, expected=0.936860
predicted=0.935742, expected=0.948440
predicted=0.951627, expected=0.958640
predicted=0.961011, expected=0.954200
predicted=0.952895, expected=0.951600
predicted=0.951158, expected=0.945180
predicted=0.943669, expected=0.938440
predicted=0.936958, expected=0.932520
predicted=0.931239, expected=0.928520
predicted=0.927704, expected=0.935940
predicted=0.938014, expected=0.942780
predicted=0.944393, expected=0.945760
predicted=0.946430, expected=0.945500
predicted=0.945439, expected=0.943900
predicted=0.943574, expected=0.935900
predicted=0.933967, expected=0.926700
predicted=0.924628, expected=0.927140
predicted=0.927547, expected=0.938880
predicted=0.941948, expected=0.941850
predicted=0.942353, expected=0.933150
predicted=0.930947, expected=0.918800
predicted=0.915453, expected=0.914425
predicted=0.913740, expected=0.917740
predicted=0.918738, expected=0.900400
predicted=0.895946, expected=0.891920
predicted=0.890302, expected=0.890350
predicted=0.890181, expected=0.889880

Test MSE: 0.000073
In [31]:
predictions_series = pd.Series(predictions, index = test.index)

fig, ax = plt.subplots(figsize=(10, 6))
ax.set(title=’Spot Exchange Rate, Euro into USD’, xlabel=’Date’, ylabel=’Euro into USD’)
ax.plot(ts_week[-n_test_obs:], ‘o’, label=’observed’)

须将预测做指数转换

ax.plot(np.exp(predictions_series), ‘g’, label=’rolling one-step out-of-sample forecast’)
legend = ax.legend(loc=’upper left’)

可以对季节性建模的 SARIMA 模型
In [32]:
%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import datetime
from dateutil.relativedelta import relativedelta
import seaborn as sns
import statsmodels.api as sm
from statsmodels.tsa.stattools import acf
from statsmodels.tsa.stattools import pacf
from statsmodels.tsa.seasonal import seasonal_decompose
from pandas import DatetimeIndex
Portland Oregon 月平均乘公车人数 (/100) January 1960 至 June 1969, 样本数=114
In [33]:

读取CSV

df = pd.read_csv(‘portland-oregon-average-monthly-.csv’)
print(df.head(), ‘\nindex type:\n’, type(df.index))

按’%Y-%m’格式转换CSV的日期, 为了方便处理, 将时间段转为timestamp

df[‘Month’] = pd.to_datetime(df[‘Month’], format=’%Y-%m’)

索引并resample为月

indexed_df = df.set_index(‘Month’)
ts = indexed_df[‘riders’]
ts = ts.resample(‘M’).sum()
print(ts.head(), ‘\nindex type:\n’, type(ts.index))
Month riders
0 1960-01 648
1 1960-02 646
2 1960-03 639
3 1960-04 654
4 1960-05 630
index type:

SARIMA的参数: order = p, d, q, seasonal_order=P, D, Q, season的周期=12

model = SARIMAX(ts, order=(0,1,0),seasonal_order=(0,1,1,12))

已拟合的模型

fitted = model.fit()

ARIMA的结果

print(fitted.summary())

比较拟合的数据和原始数据,

ts.plot()
fitted.fittedvalues.plot(color=’red’)

拟合的数据和原始数据的残差

residuals = pd.DataFrame(fitted.resid)

acf_pacf(residuals, title=’Residuals’, figsize=(10,4))

计算拟残差平方和(RSS)

plt.title(‘RSS: %.4f’% sum((fitted.fittedvalues-ts)**2))

残差的核密度估计

residuals.plot(kind=’kde’)
print(‘\n\nResiduals Summary:\n’, residuals.describe())

plt.show()

Statespace Model Results

Dep. Variable: riders No. Observations: 114
Model: SARIMAX(0, 1, 0)x(0, 1, 1, 12) Log Likelihood -504.683
Date: Tue, 20 Jun 2017 AIC 1013.365
Time: 05:37:32 BIC 1018.838
Sample: 01-31-1960 HQIC 1015.586
- 06-30-1969

Covariance Type: opg

coef std err z P>|z| [0.025 0.975]

ma.S.L12 -0.6937 0.118 -5.867 0.000 -0.925 -0.462

sigma2 1185.5644 183.539 6.459 0.000 825.834 1545.295

Ljung-Box (Q): 43.16 Jarque-Bera (JB): 2.01
Prob(Q): 0.34 Prob(JB): 0.37
Heteroskedasticity (H): 1.49 Skew: 0.28

Prob(H) (two-sided): 0.25 Kurtosis: 3.39

Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).

Residuals Summary:
0
count 114.000000
mean 0.920410
std 72.659634
min -214.018001
25% -22.898384
50% -5.576031
75% 18.514757
max 648.000000

预测并校验模型
这种校验方法称为 one-step out-of-sample forecast
out-of-sample 是指预测时所用样本/观测值不在训练集内
将原序列分为训练和测试集
将训练集设为历史, 此时时间为t
迭代, 迭代次数为测试集的大小:
1. 在历史上拟合SARIMA模型, 参数为先前得到的p,d,q,P,D,Q
2. 生成t+1的预测, 并将其加入历史
比较预测值和真实值
In [40]:
from sklearn.metrics import mean_squared_error

我们的ARIMA模型针对的是序列ts_week_log

因此使用的数据为ts_week_log

因此须将预测做指数转换

使用 n_test_obs 个点校验

n_test_obs = 20
size = int(len(ts) - n_test_obs)

切分数据集

train, test = ts[:size], ts[size:len(ts)]

历史值

history = [x for x in train]

预测值

predictions = list()

置信区间

confidence_intervals = list()

print(‘Predicted vs Expected Values…’)
print(‘\n’)
for t in range(len(test)):
model = SARIMAX(history, order=(0,1,0),seasonal_order=(0,1,1,12))
model_fit = model.fit()
output = model_fit.forecast(steps=1)
yhat = output[0]
predictions.append(float(yhat))
obs = test[t]
history.append(obs)

print('predicted=%f, expected=%f' % (yhat, obs))

error = mean_squared_error(test, predictions)

print(‘\n’)
predictions_series = pd.Series(predictions, index = test.index)
print(‘Test MSE: %.6f’ % error)

predictions_series = pd.Series(predictions, index = test.index)

fig, ax = plt.subplots(figsize=(10, 6))
ax.set(title=’Bus Riders’, xlabel=’Month’, ylabel=’100 Bus Riders’)
ax.plot(ts[-n_test_obs:], ‘o’, label=’observed’)
ax.plot(predictions_series, ‘g’, label=’rolling one-step out-of-sample forecast’)
legend = ax.legend(loc=’upper left’)
Predicted vs Expected Values…

predicted=1475.509981, expected=1424.000000
predicted=1367.194981, expected=1360.000000
predicted=1441.147682, expected=1429.000000
predicted=1461.899309, expected=1440.000000
predicted=1406.502132, expected=1414.000000
predicted=1438.593286, expected=1424.000000
predicted=1396.225163, expected=1408.000000
predicted=1386.002350, expected=1337.000000
predicted=1299.644308, expected=1258.000000
predicted=1214.892724, expected=1214.000000
predicted=1324.750929, expected=1326.000000
predicted=1353.201730, expected=1417.000000
predicted=1424.747027, expected=1417.000000
predicted=1357.550530, expected=1329.000000
predicted=1407.819886, expected=1461.000000
predicted=1483.069065, expected=1425.000000
predicted=1392.212819, expected=1419.000000
predicted=1441.571043, expected=1432.000000
predicted=1408.266795, expected=1394.000000
predicted=1357.971777, expected=1327.000000

Test MSE: 1049.765808

In [ ]:

tlgt2078
关注
专栏目录
Python时间序列分析3-非平稳序列的随机分析-SRARIMA
weixin_43822124的博客
04-03 3134
import pandas as pd import matplotlib.pyplot as plt import numpy as np from datetime import datetime,timedelta from time import time 数据读取与预处理 cat_fish = pd.read_csv('./data/catfish.csv',parse_dates=[0],index_col=0,squeeze=True) cat_fish.head() Date 19
python使用ARIMAX带有衍生变量的时间序列预测
呆萌的代Ma
09-26 5104
我们要使用的是```statsmodels```包的```SARIMAX```这个模型，这并不是单一的模型，而是个大合集的模型，可以设置多个参数，如： - 如果我们只想用ARIMA的模型，那么只需要设置order参数即可 - 如果想使用 ARIMA+季节性，即（SARIMA）模型，则设置order与seasonal_order参数即可 - 如果想使用 ARIMA+衍生变量，即（ARIMAX）模型，则设置order与exog参数即可 - 如果想使用 ARIMA+季节性+衍生变量，即（SARIMAX）模型，则设
【时间序列】使用 Auto-TS 自动化时间序列预测
fengdu78的博客
03-05 3884
Auto-TS 是 AutoML 的一部分，它将自动化机器学习管道的一些组件。这自动化库有助于非专家训练基本的机器学习模型，而无需在该领域有太多知识。在本文中，小编和你一起学习如何使用 A...
【时间序列】时序分析实战之SARIMA、Linear model...
AI蜗牛车
09-27 3196
1 数据准备链接：https://pan.baidu.com/s/1SpDi0oT-6jqKmAT4JwC0TA提取码：6ylx数据：ads.csv currency.csv代码：time...
机器学习（11）——时间序列分析
热门推荐
WHJ226的博客
06-26 1万+
时间序列数据是常见的数据类型之一,时间序列分析基于随机过程理论和数理统计学方法,研 究时间序列数据所遵从的统计规律,常用于系统描述、系统分析、预测未来等。 时间序列数据主要是根据时间先后,对同样的对象按照等时间间隔收集的数据,比如每日的平 均气温、每天的销售额、每月的降水量等。虽然有些序列所描述的内容取值是连续的,比如气温的 变化可能是连续的,但是由于观察的时间段并不是连续的,所以可以认为是离散的时间序列数据。 一般地,对任何变量做定期记录就能构成一个时间序列。根据所研究序列数量的不同,可以将时间 序列数据
欢迎使用CSDN-markdown编辑器.md
09-24
2019最新csdn自带的介绍范文模板 如果写过一次博客，这个文档就找不到了（没有恢复到本模板的url） 就在这里备份一下 方便查阅
欢迎使用CSDN-markdown编辑器.html
03-31
: csdn博客编写快捷操作，新增各种快捷功能，全新界面，简易操作，多屏幕编辑，焦点写作、预览模式、简介写作模式、左右区域同步滚轮设置等功能。
欢迎使用CSDN-markdown编辑器 (1).md
11-28
## 1.DispatcherServlet表示前置控制器，是整个SpringMVC的控制中心。用户发出请求，DispatcherServlet接收请求并拦截请求。 我们假设请求的url为 : http://localhost:8080/SpringMVC/hello 如上url拆分成三部分...
CSDN-markdown编辑器使用教程.html
12-04
CSDN-markdown编辑器使用教程，CSDN自带的介绍范文模板 如果写过一次博客，这个文档就找不到了，在这里备份一下，方便大家查阅。
CSDN-markdown编辑器文档——官方文档
08-21
这个是CSDN-markdown编辑器第一次使用时的文档，只显示一次。这里把他存下来分享出去。在编写博客的时候有不明白的可以看一下，一目了然。
CSDN-markdown模板-网页文件
11-29
CSDN（China Software Developer Network）作为一个知名的中文开发者社区，也提供了Markdown编辑器，方便用户撰写技术文章。 标题中的"CSDN-markdown模板-网页文件"指的是CSDN提供的一个Markdown编辑模板，这个模板...
delphi-markdown
05-31
还有待做：链接参考） Github 风味 Markdown使用图书馆创建您想要的方言的 TMarkdownProcessor (MarkdownProcessor.pas)： var md : TMarkdownProcessor; html : string; begin md := TMarkdownProcessor....
markdown 编辑器使用
12-19
Markdown 编辑器使用指南 Markdown 编辑器是一种轻量级的标记语言编辑器，使用简洁的语法来格式化文本。下面是 Markdown 编辑器的使用指南： 一、标题的使用 在 Markdown 编辑器中，可以使用 # 符号来表示标题的...
markdown编辑器Typora
05-19
总的来说，Typora是一款高效、美观且功能强大的Markdown编辑器，无论你是初级用户还是经验丰富的程序员，都能找到适应自己的使用方式。它的简洁界面和强大功能使Markdown写作变得更加愉快，如果你还没尝试过Typora，...
用Python实现时间序列模型实战——Day 5: 平稳时间序列模型的介绍
最新发布
qq_41698317的博客
08-30 3101
库对时间序列数据进行 AR、MA 和 ARMA 模型的拟合，并比较各模型的拟合效果。表示使用 AR(2) 模型。输出模型的摘要信息。函数拟合自回归模型 (AR)，设置。
markdown语法中一些数学符号怎么打
1900的博客
10-06 3019
用到了就会记录一下，方便查看 y帽 y^\widehat{y}y​ $\widehat{y}$ 上标 x1x^1x1 $x^1$ 下标 x1x_1x1​ $x_1$ 分数 1n\frac{1}{n}n1​ $\frac{1}{n}$ 求和符号 ∑i=1n\sum\limits_{i=1}^{n}i=1∑n​ $\sum\limits_{i=1}^{n}$
python学习日志（九）
ys20111016的博客
08-06 440
进程和线程-网络编程 一、介绍 （1）单核cpu怎么执行多任务 答案就是操作系统轮流让各个任务交替执行，任务1执行0.01秒，切换到任务2，任务2执行0.01秒，再切换到任务3，执行0.01秒……这样反复执行下去。表面上看，每个任务都是交替执行的，但是，由于CPU的执行速度实在是太快了，我们感觉就像所有任务都在同时执行一样。 真正的并行执行多任务只能在多核CPU上实现，但是，由于任务数
【AI】自回归 (AR) 模型使预测和深度学习变得简单
sikh_0529的博客
11-10 6982
通过为问题选择正确的工具，无论是基本的 AR 模型还是更复杂的模型，从业者都可以做出更准确的预测，并从时间序列数据中发现更深入的见解。深度学习中的自回归是指应用深度神经网络对序列数据进行建模和预测，其中序列中的当前值取决于先前的值。总体而言，自回归模型是时间序列分析和 NLP 的基本概念，为理解、预测和生成序列数据提供了强大的工具。在接下来的部分中，我们将从 AR(p) 模型的基础知识和自回归系数的作用开始，更深入地研究自回归模型的机制。自回归建模的核心是 AR(p) 模型，其中“p”代表模型的阶数。
CSDN-markdown编辑器
04-25
CSDN Markdown编辑器是一款由CSDN自主开发的在线Markdown编辑工具，它具有以下特点和功能： 1. 简洁易用：CSDN Markdown编辑器采用简洁的界面设计，用户可以轻松上手，无需学习复杂的操作。 2. 实时预览：编辑器支持实时预览功能，即在编辑Markdown文本的同时，可以即时看到渲染后的效果，方便用户进行调整和修改。 3. 语法高亮：编辑器支持Markdown语法高亮显示，可以根据语法规则将不同的元素以不同的颜色进行标记，提高代码的可读性。 4. 快捷操作：编辑器提供了一系列快捷操作，例如快速插入标题、列表、代码块等常用元素，加速编写过程。 5. 支持导出：编辑器支持将Markdown文本导出为HTML、PDF等格式，方便用户在不同场景下使用和分享。 6. 实时保存：编辑器支持实时保存功能，用户不必担心因为意外情况导致数据丢失。 7. 多平台支持：CSDN Markdown编辑器可以在多个平台上使用，包括网页版、移动端应用等。
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