目录
程序简述
利用乘法型的时间序列分解算法预测北京气温变化
程序输入:观测数据,周期长度,需要往后预测的个数
程序输出:预测值,模型结构
时间序列分解使用加法模型或乘法模型讲原始系列拆分为四部分:长期趋势变动T、季节变动S(显式周期,固定幅度、长度的周期波动)、循环变动C(隐式周期,周期长不具严格规则的波动)和不规则变动L。本例使用的是乘法模型。
数据集截图
图1,北京气象数据
程序/数据集下载
核心代码解析
Module/BuildModel.py(接口,可以直接运行)
建立时间序列分解模型,对数据进行移动平均操作和调整,计算季节性因子和长期趋势模型,本程序使用的线性模型
# -*- coding: utf-8 -*-
from sklearn.linear_model import LinearRegression
import pandas as pd
import numpy as np
class TimeSeriesSplit():
def __init__(self,series,EMA):
'''
时间序列分解算法,乘法模型,由于循环波动难以确认,受随机因素影响大,不予考虑
series:时间序列
EMA:移动平均项数,也是周期的时长
'''
self.buildModel(series,EMA)
def predict(self,num):
'''
往后预测num个数,返回的是整个模型的信息
num:预测个数
'''
result = []
for i in range(num):
#季节因子
S = self.seasFactors[(i+len(self.series))%len(self.seasFactors)]
#长期趋势
T = self.regression.predict(i+len(self.series))[0][0]
result.append(T*S)
info = {
'predict':{&#