ARMA、ARIMA和SARIMA

最新推荐文章于 2024-12-08 00:15:00 发布
最新推荐文章于 2024-12-08 00:15:00 发布
阅读量1.5w 收藏 130
点赞数 25
分类专栏： 云计算 时序分析 文章标签： 数据分析
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/weixin_36909758/article/details/107279475
版权
本文介绍了自回归模型（AR）、移动平均模型（MA）和它们的结合体ARMA模型，以及ARIMA模型的参数、特例和建模步骤。重点讨论了ARIMA中p、q阶数的确定方法，包括自相关与偏自相关图的分析。此外，还提到了针对周期性时间序列的SARIMA模型及其应用。
摘要由CSDN通过智能技术生成

ARMA、ARIMA和SARIMA

1 背景知识

1.1 自回归模型（AR）

描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性。
在这里插入图片描述

  • 自回归（AR），就是指当前值只与历史值有关，用自己预测自己
  • p阶自回归，指当前值与前p个值有关
  • 求常数u与自回归系数ri
  • 自回归模型的限制
    （1）自回归模型是用自身的数据来进行预测，即建模使用的数据与预测使用的数据是同一组数据；
    （2）必须具有平稳性；
    （3）必须具有自相关性，如果自相关系数(φi)小于0.5，则不宜采用；
    （4）自回归只适用于预测与自身前期相关的现象。

1.2 移动平均模型（MA）

移动平均模型关注的是自回归模型中的误差项的累加，移动平均法能有效地消除预测中的随机波动。
在这里插入图片描述

  • q阶自回归，指当前值与前q个误差有关
  • 求常数u与系数θi

1.3 自回归移动平均模型（ARMA）

自回归与移动平均的结合
在这里插入图片描述

  • p与q分别为自回归模型与移动平均模型的阶数，需要人为定义
  • γi与θi分别是两个模型的相关系数，需要求解
  • 如果原始数据不满足平稳性要求而进行了差分，则为差分自相关移动平均模型（ARIMA），将差分后所得的新数据带入ARMA公式中即可

1.4 判断时序数据是否稳定的方法

  • 严谨的定义： 一个时间序列的随机变量是稳定的，当且仅当它的所有统计特征都是独立于时间
最低0.47元/天 解锁文章
Python时间序列：风电数据时间序列ARMA ARIMA方法
sybh的博客
10-13 963
当涉及时间序列预测时，两个常用的模型是ARMA（自回归滑动平均）和ARIMA（自回归滑动平均差分）模型。这些模型基于时间序列数据的自相关和移动平均性质，可以用于预测未来的值。首先，让我们了解一下ARMA模型。ARMA模型结合了自回归（AR）和滑动平均（MA）两个概念。自回归（AR）模型是基于时间序列过去的值与当前值之间的关系建立的。它使用过去时刻的观测值来预测当前时刻的值。AR模型的阶数（p）表示在建立模型时使用了多少个过去时刻的观测值。
R语言ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据
拓端研究室TRL
10-23 1577
由于具有参数（0,0,0）的ARIMAX模型没有传统线性回归模型的优势，我们可以得出结论，臭氧数据的时间趋势不足以改善臭氧水平的预测。ARIMAX（1,0,0）模型的预测显示为蓝色，而ARIMA（1,0,0）（1,0,0）模型的预测显示为虚线。结果表明，ARIMAX（1,0,0）明显比ARIMA（1,0,0）（1,0,0）模型更准确。第一个例子表明，对于ARIMA（1,0,0）过程，阶数1的pACF非常高，而对于ARIMA（2,0,0）过程，阶数1和阶数2自相关都很重要。但是，数据存在强烈的季节性因素。
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
拓端研究室TRL
01-02 2911
时间序列是在定期时间间隔内记录度量的序列。根据频率，时间序列可以是每年（例如：年度预算），每季度（例如：支出），每周（例如：销售数量），每天（例如天气），每小时（例如：股票价格），分钟（例如：来电提示中的呼入电话），甚至是几秒钟（例如：网络流量）。那么ARIMA模型到底是什么？ARIMA是一类模型，可以根据自身的过去值（即自身的滞后和滞后的预测误差）“解释”给定的时间序列，因此可以使用方程式预测未来价值。任何具有模式且不是随机白噪声的“非季节性”时间序列都可以使用ARIMA模型进行建模。
ARIMA模型和SARIMA模型简介
2301_80198205的博客
08-28 1066
ARIMA模型结合了自回归（AR）、差分（I）和滑动平均（MA）三种基本思想。模型中的“P, D, Q”分别代表季节性自回归阶数、季节性差分次数、季节性滑动平均阶数，而"S"代表季节周期（例如，S=12代表年度周期性，对于月度数据）。模型中的“q”代表滑动平均项的阶数，即当前值与前q个预测误差之间的线性关系。模型中的“p”代表自回归项的阶数，即用来预测当前值的前p个历史值的数目。使用SARIMA模型时，重要的是正确诊断和建立模型，包括选择适当的差分次数和模型阶数，以及进行模型验证和评估。
时间序列预测模型：技术、应用与深入解析
数字人生
12-08 1184
适用场景: 适用于平稳的时间序列数据。- 优点: 简单易解释；对数据的线性关系建模良好。- 缺点: 对非线性数据表现不佳；需要手动选择参数，并进行模型诊断。- 适用场景: 适用于有季节性波动的时间序列数据。- 优点: 类似于ARIMA，能处理季节性数据。- 缺点: 需要手动选择多个参数；季节周期需要手动设置。- 适用场景: 适用于含有趋势和季节性的时间序列数据。- 优点: 简单易用；能捕捉趋势和季节性。- 缺点: 对于复杂的模式或非线性数据不够强大。
【时间序列】选择最佳模型，ARIMA、SARIMA、指数平滑法、prophet！！
fengdu78的博客
09-05 1524
今儿给大家带来了关于时间序列模型，比较常见的四种算法对比。时间序列算法模型用于分析和预测随时间变化的数据。主要模型有ARIMA、SARIMA、指数平滑法、prophet、深度学习模型（如LSTM）等等。这些模型可以用来预测未来趋势、检测异常和分析数据中的周期性变化。本期最佳模型1. ARIMA原理ARIMA是一种常用的时间序列预测模型，综合了自回归（AR）、差分（I）和移动平均（MA）三个部分。A...
Python 时序数据分析的解读与实践：ARIMA模型、SARIMA模型、LSTM模型，模型评估指标
switch616的博客
10-25 1668
ARIMA的主要目标是通过建模时间序列的趋势、周期性和随机波动来进行预测，尤其适合处理非平稳的时间序列数据。SARIMA在ARIMA模型的基础上，增加了季节性自回归、季节性差分和季节性滑动平均成分，用来处理数据中的周期性波动。在处理时间序列数据时，传统的统计方法如ARIMA和SARIMA虽然有效，但它们对数据的线性假设限制了它们在更复杂的非线性数据中的表现。长短期记忆网络（LSTM）是一种特殊的递归神经网络（RNN），它能够有效捕捉时间序列数据中的长期依赖关系，尤其适合处理非线性和复杂的序列数据。
时间序列分析 - ARMA, ARIMA, SARIMA
fish的专栏
03-06 9761
【目标数据】 ARMA: 针对弱平稳/宽平稳时间序列分析 ARIMA: 针对非平稳非周期性时间序列分析 SARIMA: 针对非平稳周期性时间序列分析。 【自协方差与自相关系数】 时间序列在t时刻记作Xt，在s时刻记作Xs,那么这两个时刻对应的时间序列的自协方差的计算公式为： 假设时间间隔t-s=k, 并且假设时间序列的均值为常数u, 那么上述公式可以写成 自相关系数的表...
进出口数据 20220531 时间序列 ARMA ARIMA SARIMA
06-14
进出口数据 20220531 时间序列 ARMA ARIMA SARIMA
R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据
拓端研究室TRL
12-02 3023
原文链接:http://tecdat.cn/?p=5919在本文中，我将介绍ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型如何用于预测时间序列数据（点击文末“阅读原文”获取完整代码数据）。使用滞后算子计算滞后差分我们可以使用backshift滞后算子来执行计算。例如，滞后算子可用于计算的时间序列值的滞后差分，其中k表示的差分滞后期。对于k=1，我们获得普通的差分，...
ARMA，ARIMA，SARIMA时序数据预测（附代码讲解）
weiyaner的博客
11-29 7269
1 SARIMA简介 Seasonal Autoregression Moving Average model, SARIMA季节自回归移动平均模型。 SARIMA（p，d，q，s） AR（p） 自回归模型，即时间序列回归到自身。基本的假设是，当前的序列值依赖于它以前的值，有一些延迟(或几个延迟)。模型中的最大滞后被称为p。为了确定初始p，你需要查看PACF图并找到最大的显著滞后，之后大多数其他滞后变得不重要。 MA（q） 移动平均模型。在不深入太多细节的情况下，这个模型模拟了时间序列的误差，同样假
【统计模型】基于SARIMA和ARIMA统计预测模型研究（Python代码实现）
weixin_46039719的博客
05-17 1606
ARIMA模型ARIMA模型，也称为求和自回归移动平均自模型，实际上根检验。ADF检验是判断时间序列是否存在单位根：如果不存是差分运算与ARMA模型的结合。ARIMA（p,d,q）模型记为：​获得观察值时间序列后，通过以下步骤完成ARIMA建模分析过程：（1）对时间序列数据进行平稳性检验。如果该序列不平稳，转步骤（2）；若该序列平稳，再进行白噪声检验，若为序表1 原序列及一阶差分序列ADF检验列检验为白噪声，模型终止；若不是白噪声，转步骤（3）。​。
时间序列预测，非季节性ARIMA及季节性SARIMA
热门推荐
起飞的木木的博客
03-24 5万+
Python 3中使用ARIMA进行时间序列预测的指南 在本教程中，我们将提供可靠的时间序列预测。我们将首先介绍和讨论自相关，平稳性和季节性的概念，并继续应用最常用的时间序列预测方法之一，称为ARIMA。 介绍 时间序列提供了预测未来价值的机会。基于以前的价值观，可以使用时间序列来预测经济，天气和能力规划的趋势，其中仅举几例。时间序列数据的具体属性意味着通常需要专门的统计方法。 ...
基于ARIMA+SARIMA的航空公司 RPM 时间序列预测模型
m0_64336780的博客
03-04 1万+
数据集来源于Kaggle，原始数据集共有249条，17个变量。关于此文件2003 年 1 月至 2023 年 9 月美国所有商业航空公司的非季节性调整每月航空交通数据。注：收入乘客里程 = 乘客数量和飞行距离，以千 (000) 为单位可用座位里程 = 座位数和飞行距离，以千 (000) 为单位负载系数 = 乘客里程占可用座位的比例- 英里数百分比 (%)
Python数据分析案例-分别使用时间序列ARIMA、SARIMAX模型与Auto ARIMA预测国内汽车月销量
maiyida123的博客
06-17 1万+
分别使用ARIMA、SARIMAX与Auto ARIMA来预测国内未来一年的乘用车月销量。
时序分析 37 - 时序预测 从ARIMA到SARIMAX(六) SARIMAX
weixin_43171270的博客
05-31 1780
SARIMAX：SARIMA结合外部变量
时序分析 36 - 时序预测 从ARIMA到SARIMAX(五)模型预测
weixin_43171270的博客
05-31 2398
模型预测
Python用ARIMA和SARIMA模型预测销量时间序列数据
拓端研究室TRL
09-01 898
全文链接：http://tecdat.cn/?p=21573在本文中，ARIMA模型是时间序列预测中一种常用的统计方法。指数平滑和ARIMA模型是时间序列预测中应用最为广泛的两种方法，它们是解决这一问题的补充方法。指数平滑模型是基于对数据趋势和季节性的描述，而ARIMA模型则是为了描述数据的自相关性。相关视频介绍在讨论ARIMA模型之前，我们先来讨论平稳性的概念和时间序列的差分技术。平稳性平稳时间...
时间序列ARMA和ARIMA
qq_33333002的博客
05-17 9141
1.简介 1.1 时间序列包括： AR(自回归模型)，AR§，p阶的自回归模型，这里表示的是以前面p个值加上当前的干扰项形成的线性模型来预测当前值的一个模型。 MA(移动平均模型)，MA(q)，q阶的移动平均模型，表示是以前面的q个干扰项+ ARMA(自回归移动平均模型) ARIMA(差分自回归移动平均模型) 1.2 运用对象 这里四种模型都是针对于变量y，针对时间变化而发生的改变，这四种模型的运用对象都是平稳的时间序列。也就是随着时间的变化，在一定范围内动态波动。 不平稳序列如下图所示： 平稳序列如下图
sarima netflix
最新发布
12-30
### SARIMA 模型在 Netflix 时间序列预测中的应用 时间序列分析对于像 Netflix 这样的公司至关重要，因为这有助于理解用户行为模式并优化推荐系统和服务性能。SARIMA 模型通过引入季节性成分扩展了传统的 ARIMA 模型[^1]。 #### 定义问题 Netflix 需要处理具有明显周期性的数据集，例如用户的观看习惯可能每周或每月呈现规律变化。为了捕捉这些特征，可以采用带有适当参数配置的 SARIMA 模型来建模这种周期性和趋势组合的时间序列。 #### 数据预处理 在构建任何预测模型之前，必须先清理和准备数据。具体操作包括缺失值填充、异常检测以及转换成平稳序列等步骤。对于非平稳的数据，可以通过差分方法使其变得平稳以便更好地拟合 SARIMA 模型。 ```python import pandas as pd from statsmodels.tsa.statespace.sarimax import SARIMAX # 假设 df 是包含日期索引 'date' 和目标变量 'views' 的 DataFrame df['views_diff'] = df['views'].diff().dropna() ``` #### 构建 SARIMA 模型 一旦完成了必要的前期工作之后就可以开始建立 SARIMA(p,d,q)(P,D,Q)m 模型，在这里 p, d, q 表示自回归项数、差分数阶次和平滑移动平均项数；而 P, D, Q 则对应于季节部分相同的含义，并且 m 代表季节长度（如7天表示一周）。选择合适的超参数非常重要，通常会利用 AIC 或 BIC 准则来进行自动搜索最佳设置。 ```python model = SARIMAX(df['views'], order=(p, d, q), seasonal_order=(P, D, Q, m)) results = model.fit() print(results.summary()) ``` #### 结果评估与改进 完成训练后应当对所得结果进行全面检验，确保其具备良好的泛化能力。常用的评价指标有均方误差(MSE)、均绝对百分比误差(MAPE)，以及其他特定领域内的度量标准[^2]。如果发现现有方案不够理想，则应考虑调整模型结构或是尝试其他算法直至获得满意的效果为止。
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