时间序列分析--ARIMA模型

指数平滑法对时间序列上连续的值之间的相关性没有要求。但是，如果你想使用指数平滑法计算出预测区间， 那么预测误差必须是不相关的， 且必须是服从零均值、 方差不变的正态分布。即使指数平滑法对时间序列连续数值之间相关性没有要求，在某种情况下， 我们可以通过考虑数据之间的相关性来创建更好的预测模型。
自回归移动平均模型（ ARIMA）是最常用的时间序列预测模型。

注意：
时间序列模型通常适用于做短期预测，即统计序列过去的变化模式还未发生根本性变化。

一．时间序列的预处理
拿到一个观察值序列，首先要对它的平稳性和纯随机性进行检验，这两个重要检验称为序列的预处理。
1. 平稳：就是围绕着一个常数上下波动且波动范围有限，即有常数均值和常数方差。如果有明显的趋势或周期性，那它通常不是平稳序列。一般有三种方法：
（1）直接画出时间序列的趋势图，看趋势判断。
（2）画自相关和偏自相关图：平稳的序列的自相关图（Autocorrelation）和偏相关图（Partial Correlation）要么拖尾，要么是截尾。
（3）单位根检验：检验序列中是否存在单位根，如果存在单位根就是非平稳时间序列。
不平稳序列可以通过差分转换为平稳序列。k阶差分就是相距k期的两个序列值之间相减。如果一个时间序列经过差分运算后具有平稳性，则该序列为差分平稳序列，可以使用ARIMA模型进行分