本文介绍了时间序列预测的基本概念，包括平稳性和非平稳性。传统预测方法包括移动平均、ARIMA等，适用于小规模、单变量预测。现代预测方法涉及机器学习如XGBoost和深度学习如RNN、CNN。注意概念漂移和序列自相关性的影响，以及训练集和测试集的合理划分。CNN在时间序列预测中是新兴的尝试，结合EMD和LSTM能提高预测精度。
时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。首先需要明确一点的是，时间序列可以分为平稳序列，即存在某种周期，季节性及趋势的方差和均值不随时间变化的序列，及非平稳序列。
1.传统时序建模方法
传统预测方法可以分为两种，一种是更加传统的，如移动平均法，指数平均法等；一种是用的还算较多的，即AR,MA,ARMA等，下面主要介绍一下这三种方法，这类方法比较适用于小规模，单变量的预测，比如某门店的销量预测等：
（1）AR模型
具有如下结构的模型称为p阶自回归模型，简记为AR(p)：
随机变量Xt的取值Xt是前p期xt−1,xt−2,...,xt−pxt−1,xt−2,...,xt−p的多元线性回归，认为xt主
最低0.47元/天 解锁文章
1563
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
