python预测模型类型,多变量时间序列的预测和建模指南（附Python代码）

时间是决定企业兴衰的最关键因素。这就是为什么我们看到商店和电子商务平台的销售与节日一致。这些企业分析多年的消费数据，以了解打开大门的最佳时间，并看到消费支出的增加。

但是，作为一个数据科学家，你怎么能进行这种分析呢？别担心，你不需要建造一台时间机器！时间序列建模是一种强大的技术，是理解与预测趋势和模式的门户。

但是即使是时间序列模型也有不同的方面。我们在Web上看到的大多数例子都是用单变量时间序列来处理的。不幸的是，现实世界的用例并不是这样工作的。有多个变量在起作用，同时处理所有这些变量是数据科学家体现其价值的地方。

在这篇文章中，我们将了解什么是多元时间序列，以及如何处理它。我们还将在Python中进行案例研究并实现它，以使您对该主题有实际的理解。

目录表

单变量与多变量时间序列

— —单变量时间序列

— —多元时间序列

多变量时间序列-向量自回归(VAR)的处理

为什么我们需要VAR？

多变量时间序列的平稳性

训练验证拆分

Python实现

1.单变量与多变量时间序列

本文假定读者熟悉单变量时间序列的性质，以及用于预测的各种技术。由于本文将重点讨论多变量时间序列，因此我建议您阅读以下文章，这些文章可以作为对单变量时间序列的良好介绍：

但是，在讨论多元时间序列的细节之前，我将快速地介绍一下什么是单变量时间序列。让我们逐一观察它们的差异。

1.1单变量时间序列

一个单变量时间序列，顾名思义，是一个具有单一时间依赖变量的序列。

例如，在过去的2年中，查看下面的样本数据集，该数据集包括温度值(每小时)。这里，温度是因变量(取决于时间)。

如果要求我们预测未来几天的温度，我们将查看过去的值，并尝试测量和提取一个模式。我们会注意到早晨和晚上的温度较低，下午则达到峰值。此外，如果你有过去几年的数据，你会发现，在11月到1月份，天气比较冷，而在4月至6月比较热。

这样的观察将有助于我们预测未来的价值观。你注意到我们只使用了一个变量(过去2年的温度)吗？因此，这被称为单变量时间序列分析/预测。

1.2多元时间序列(MTS)

多变量时间序列具有一个以上的时间依赖变量。每个变量不仅取决于其过去的值，而且还对其他变量有一定的依赖性。这种依赖性用于预测未来的价值。听起来很复杂？让我解释一下。

考虑上面的例子。现在假设我们的数据集包括过去两年的汗水百分比、露点、风速、云层覆盖率等，以及温度值。在这种情况下，有多个变量被认为是最佳预测温度。像这样的系列将属于多元时间序列的范畴。下面是一个例证：

现在我们了解了多元时间序列的样子，让我们了解如何利用它来建立预测。

2.多元时间序列的处理——VAR

在本节中，我将介绍多变量时间序列预测中最常用的方法之一——向量自回归(VAR)。

在VAR模型中，每个变量是其自身过去值和所有其他变量的过去值的线性函数。为了更好地解释这一点，我将使