python时间序列法_python实现时间序列分解法(Time-series Decomposition)——以预测气温为例...

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':{&#