时间序列预测：指数平滑法及python实现

最新推荐文章于 2024-09-05 08:30:00 发布

莉莉丫丫的海角

最新推荐文章于 2024-09-05 08:30:00 发布

阅读量1.7w

点赞数 25

分类专栏： python 算法

本文链接：https://blog.csdn.net/weixin_41577291/article/details/108691744

版权

本文介绍了指数平滑法在时间序列预测中的运用，包括移动平均、单指数平滑、双指数平滑以及三次指数平滑法（Holt-Winters）。通过对各方法的公式解析和拟合图像展示，详细阐述了如何处理不同特征的时间序列数据，如无趋势、有趋势以及带季节性的时间序列。

摘要由CSDN通过智能技术生成

1. 移动平均

from sklearn.metrics import r2_score, mean_absolute_error, median_absolute_error


# 滑动窗口估计,发现数据变化趋势
def plotMovingAverage(series, window, plot_intervals=False, scale=1.96, plot_anomalies=False):
    """
        series - dataframe with timeseries
        window - rolling window size 
        plot_intervals - show confidence intervals
        plot_anomalies - show anomalies 
    """
    rolling_mean = series.rolling(window=window).mean()
    plt.figure(figsize=(13,5))
    plt.title("Moving average\n window size = {}".format(window))
    plt.plot(rolling_mean, "g", label="Rolling mean trend")
    # Plot confidence intervals for smoothed values
    if plot_intervals:
        mae = mean_absolute_error(series[window:], rolling_mean[window:])
        deviation = np.std(series[window:] - rolling_mean[window:])
        lower_bond = rolling_mean - (mae + scale * deviation)
        upper_bond = rolling_mean + (mae + scale * deviation)
        plt.plot(upper_bond, "r--", label="Upper Bond / Lower Bond")
        plt.plot(lower_bond, "r--")
        # Having the intervals, find abnormal values
        if plot_anomalies:
            anomalies = pd.DataFrame(index=series.index)
            anomalies['series<lower_bond'] = series[series<lower_bond]
            anomalies['series>upper_bond'] = series[series>upper_bond]
            plt.plot(anomalies, "ro", markersize=10)
    plt.plot(series[window:], label="Actual values")
    plt.legend(loc="upper left")
    plt.grid(True)

    
plotMovingAverage(data['trend'],12,plot_intervals=True, scale=1.96, plot_anomalies=True)

拟合图像：

2. 单指数平滑

公式： $s_{i} = \alpha \cdot x_{i} + (1-\alpha )\cdot s_{i-1}$

$x_{i+h} = s_{i}$

单指数平滑值 $s_{i}$ 表示为当前统计值 $x_{i}$ 与上一期平滑值 $s_{i-1}$ 的加权平均， $\alpha\in [0,1]$ 叫做平滑因子，调节远期和近期数据对预测值的影响权重，平滑因子取值越接近0时拟合曲线越平滑，单指数平滑法仅考虑数据的baseline，适用于没有总体趋势的时间序列，如果用来处理有总体趋势的序列，平滑值将滞后于原始数据。

# 单指数平滑
def exponential_smoothing(series, alpha):
    """
        series - dataset with timestamps
        alpha - float [0.0, 1.0], smoothing parameter
    """
    result = [series[0]] # first value is same as series
    for n in range(1, len(series)):
        result.append(alpha * series[n] + (1 - alpha) * result[n-1])
    return result
    
def plotExponentialSmoothing(series, alphas):
    """
        Plots exponential smoothing with different alphas
        
        series - dataset with timestamps
        alphas - list of floats, smoothing parameters
        
    """
    with plt.s

最低0.47元/天解锁文章