python时间序列预测不连续怎么办_用Python处理非平稳时间序列攻略

简介

诸如：预测一个家庭未来三个月的用电量，估计特定时期道路上的交通流量，以及预测一个股票在纽约证券交易所交易的价格等等，这些应用都有什么共同点？

它们都归属于时间序列数据的概念！如果没有“时间”成分，就无法准确地预测这些结果。随着我们周围的世界产生的数据越来越多，时间序列预测已成为数据科学家必须掌握的一项越来越关键的技术。

然而，时间序列却是一个复杂的话题，它同时具有多面性。

首先，要想使预测模型正常工作，就必须使时间序列保持平稳。为什么?因为绝大部分的原始数据都会有非平稳的趋势。如果尖峰是不稳定的，又怎么能确保模型正常工作呢？

本文的重点是时间序列数据的平稳性检验方法。在此假设读者已熟悉时间序列、ARIMA和平稳性的概念，以下是一些包含基础内容的参考资料：关于时间序列建模的完整教程-

初学者创建时间序列预测综合指南

目录

1. 平稳简介

2. 加载数据

3. 检验平稳的方法

ADF检验

KPSS检验

4. 平稳的种类

严格平稳

趋势平稳

差分平稳

5. 时间序列平稳化

差分

季节性差分

对数变换

1. 平稳简介

“平稳”是处理时间序列数据时遇到的最重要的概念之一：平稳序列是指其特性-均值、方差和协方差不随时间而变化的序列。

让我们用一个直观的例子来理解这一点。考虑以下三个图形：在第一幅图中，我们可以清楚地看到，均值随时间而变化(增加)，呈现上升的趋势。因此，这是一个非平稳序列。对于一个平稳的时间序列，它不应该呈现出随时间