时间序列预测--ARIMA、LSTM

最新推荐文章于 2024-04-28 13:59:26 发布
最新推荐文章于 2024-04-28 13:59:26 发布
阅读量1.4w 收藏 46
点赞数 3
分类专栏： 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/ukakasu/article/details/83088470
版权

时间序列预测–ARIMA、LSTM

ARIMA

  • ARIMA模型全称为差分自回归移动平均模型(Auto regressive Integrated Moving Average Model,简记ARIMA)。ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
  • 所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

ARIMA建模流程：

  • 将序列平稳（差分法确定d）
  • p和q阶数确定：ACF与PACF
  • ARIMA（p,d,q）

模型选择AIC与BIC: 选择更简单的模型

  • AIC:赤池信息准则（Akaike Information Criterion，AIC）
    • AIC = 2k − 2ln(L)
  • BIC:贝叶斯信息准则（Bayesian Information Criterion，BIC）
    • BIC = kln(n)− 2ln(L)
  • k为模型参数个数，n为样本数量，L为似然函数

参考：

https://blog.csdn.net/qq_41214205/article/details/79984095

https://blog.csdn.net/qq_29750461/article/details/81701240

LSTM

  • LSTM，全称为长短期记忆网络(Long Short Term Memory networks)，是一种特殊的RNN，能够学习到长期依赖关系。

  • LSTM在许多问题上效果非常好，现在被广泛使用。LSTM可以应用到语言翻译、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等任务中。

不同的业务场景，或者说不同的数据条件下，需要选择适合的算法模型。
ukakasu
关注
  • 3
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
时间序列预测——LSTM
行者无疆的博客
04-08 5835
  本文展示了使用LSTM模型进行时间序列预测的全过程，包含详细的注释。整个过程主要包括：数据导入、数据清洗、结构转化、建立LSTM模型、训练模型（包括动态调整学习率和earlystopping的设置）、预测、结果展示、误差评估等完整的时间序列预测流程。   本文使用的数据集在本人上传的资源中，链接为mock_kaggle.csv import pandas as pd import numpy as np import math from matplotlib import pyplot as plt f
时间序列预测——ARIMA
行者无疆的博客
04-02 1657
  本文会对如何使用ARIMA模型进行完整的展示，实现数据获取、数据清洗、平稳性检验、定阶、建立ARIMA模型、预测、误差评估等完整的时间序列预测流程。   本文使用的数据集在本人上传的资源中，链接为mock_kaggle.csv 具体代码   其中pmdarima 库的安装方式为：管理员身份运行cmd,使用pip install pmdarima import pandas as pd import numpy as np import math import statsmodels.api as sm
时间序列分析：利用ARIMA和LSTM模型预测数据
禅与计算机程序设计艺术
01-18 1487
1.背景介绍 时间序列分析是一种用于分析和预测随时间变化的数据序列的方法。在现实生活中，时间序列数据非常常见，例如股票价格、人口统计、气候数据等。时间序列分析的目标是找出数据中的模式和趋势，并利用这些信息进行预测。在这篇文章中，我们将介绍两种常见的时间序列分析方法：ARIMA(自回归积分移动平均)和LSTM(长短期记忆网络)。 ARIMA 和 LSTM 分别是一种统计方法和一种深度学习方法，它...
Python实现ARIMA-CNN-LSTM时间序列预测（完整源码和数据)
03-20
1.Python实现ARIMA-CNN-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+
ARIMA模型与ARMA模型的时间序列分析及预测方法，适用于各类数据的Excel预测
最新发布
NZlwBkSWq的博客
04-28 632
此外，ARIMA模型的代码结构清晰，只有一个m文件，并且没有子函数调用，方便阅读和修改。代码中的注释也十分详细，流程完整，条理清晰，同时还可以绘制丰富的图表。ARIMA模型是一种自回归滑动平均模型，通过对数据的差分和滑动平均来建立模型，并进行预测。本文中，我们将提供至少8个绘图，包括下翻图和其他相关图表，来展示数据的特点和趋势。最后，我们向读者展示了部分预测图，用于说明ARIMA模型的预测效果。作为一位有扎实理论基础的作者，我们负责售后服务，可以指导读者建立最终的模型表达式，并提供时间序列理论的相关论文。
基于ARIMA-LSTM组合模型的预测方法研究（Python代码实现）
Yan_she_He的博客
05-22 915
[1]沈露露,梁嘉乐,周雯.基于ARIMA-LSTM的能量预测算法[J].无线电通信技术,2023,49(01):150-156. [2]李孟特,于晟华,王森,曹戈,戴雨聪.一种基于ARIMA-LSTM组合模型的电压偏差预测方法[J].电力大数据,2022,25(05):28-35.DOI:10.19317/j.cnki.1008-083x.2022.05.009.
组合预测模型 | ARIMA-LSTM时间序列预测（Python）
前程算法屋的博客
06-05 8748
组合预测模型 | ARIMA-LSTM时间序列预测（Python）
时间序列分析与预测：ARIMA-LSTM综合应用股票数据
celiaweiwei的博客
01-22 5224
ARIMA可以捕捉一些线性趋势和季节性，而LSTM可以处理更复杂的模式。将ARIMA和LSTM结合使用，可以提供更全面的序列建模能力，适用于既有线性趋势又有复杂非线性关系的时间序列数据。本文提供了针对股票收盘价时间序列数据实现ARIMA-LSTM模型的Python代码，详细解释了代码每一步的思路和分析结果。（本文没有包含具体的代码，代码文件可在gzh'finance褪黑素'下回复关键词‘240122’获取）
ARIMA-WOA-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-WOA-LSTM时间序列预测（Python完整源码和数据） ARIMA-WOA-LSTM时间序列预测，AQI预测（Python完整源码和数据） ARIMA结合鲸鱼算法优化长短期记忆神经网络时间序列预测。
ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测...
ARIMA-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-LSTM时间序列预测是现代数据分析领域中用于预测连续数据序列的一种高级技术，结合了两种强大的模型：自回归积分滑动平均模型（ARIMA）和长短期记忆网络（LSTM）。这两种方法在处理时间序列数据时各具优势，...
Python实现ARIMA-WOA-CNN-LSTM时间序列预测（完整源码和数据)
03-23
1.Python实现ARIMA-WOA-CNN-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、...
时间序列负荷预测(LSTM+ARIMA+Prophet)
04-30
本文将深入探讨LSTM（长短期记忆网络）、ARIMA（自回归积分滑动平均模型）和Prophet（Facebook开源的时间序列预测库）这三种方法，并结合Python编程实践，帮助理解它们在时间序列预测中的应用。 1. LSTM（长短期...
时间序列预测实战(九)PyTorch实现LSTM-ARIMA融合移动平均进行长期预测
Snu77的博客
11-11 7851
本文带来的是利用传统时间序列预测模型ARIMA(注意：ARIMA模型不属于机器学习)和利用PyTorch实现深度学习模型LSTM进行融合进行预测，主要思想是->先利用ARIMA先和移动平均结合处理数据的线性部分（例如趋势和季节性），同时利用LSTM捕捉更复杂的非线性模式和长期依赖关系。本文内容包括->讲解LSTM和ARIMA的基本原理、融合的主要思想和依据、模型实战所用数据集介绍 、模型的参数讲解、模型的训练、结果展示、结果分析、以及如何训练你个人数据集。代码地址->适用对象->想要进行长期预测(模型的长期
线性回归、Arima和LSTM做单特征预测
xiaomingming99的博客
04-19 1411
单特征预测，基于时间预测
时间序列ARIMA模型
m0_52124992的博客
01-17 4669
时间序列预测ARIMA模型（数学建模）
【ARIMA-LSTM】合差分自回归移动平均方法-长短期记忆神经网络研究（Python代码实现）
Ke_Yan_She的博客
06-17 1427
[1]沈露露,梁嘉乐,周雯.基于ARIMA-LSTM的能量预测算法[J].无线电通信技术,2023,49(01):150-156. [2]岑威钧,王肖鑫,蒋明欢.基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究[J].水资源与水工程学报,2023,34(02):180-185. [3]王鑫,李安桂,李扬,卜令晨,彭怀午,牛东圣,许晨琛,韩欧.基于ARIMA-LSTM模型的综合能源系统负荷与风光资源预测[J].西安建筑科技大学学报(自然科学版),2022,54(05):762-769.DOI:1
时间序列预测之ARIMA模型
比尔凡凡的博客
10-01 9123
时序预测中的ARIMA模型
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
1. ARIMA (AutoRegressive Integrated Moving Average): 适用于平稳时间序列数据的预测，结合了自回归 (AR) 和移动平均 (MA) 的模型。 2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，...

“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 1
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