python时间序列预测不连续怎么办_手把手教你用Python处理非平稳时间序列（附代码）...

本文约3600字，建议阅读10分钟。

本文将重点介绍时间序列数据的平稳性检验方法。

简介

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，预测一只股票在纽约证券交易所交易的价格……这些问题都有什么共同点？

它们都属于时间序列数据的范畴！如果没有“时间”成分，就无法准确地预测出结果。随着我们周围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能。

然而，时间序列是一个复杂的话题，它具有多面性。

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？因为绝大部分原始数据都会有非平稳的趋势。如果有很多不规则的尖峰，你怎么能确保模型正常工作呢？

本文将重点介绍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：

时间序列建模完整教程

给初学者的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。平稳序列不应该呈现出随时间变化的趋势。

第二幅图显然看不到序列的趋势，但序列的变化是一个时间的函数。正如前面提到的，平稳序列的方差必须是一个常数。

再来看第三幅图，随着时间的增加，序列传播后变得更近，这意味着协方差是时间的函数。

上述三个例子均是非平稳时间序列。现在来看第四个图：

在这张图中，均值、方差和协方差都是常数，这就是平稳时间序列。

再想一想，上面的哪一幅图预测未来会更容易呢&#