![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
时间序列
文章平均质量分 94
-派神-
每天进步一点点……
展开
-
时间序列的数据分析(七):数据平稳性
在时间序列预测中,当时间序列数据具有恒定统计特性(均值、方差和协方差)并且这些统计特性与时间无关时,则被称为数据是平稳的。由于恒定的统计特性,平稳时间序列比非平稳时间序列更容易建模。因此,许多时间序列预测模型都假设数据是平稳的。平稳性可以通过视觉评估或统计方法来检查。统计方法检查数据中是否存在单根(unit root)。两个最常用的单根检验是 ADF 和 KPSS。我们可以在Python的第三方库statsmodels.tsa.stattools中调用它们。原创 2023-04-24 15:08:57 · 12040 阅读 · 5 评论 -
时间序列的数据分析(七):数据变换
在对时间序列数据进行预测时,有时候我们需要对原始数据进行变换(transformations),常用的数据变换方法称为:Box-cox变换,它即包含了对数变换也包含了幂变换,本文详细介绍了box-cox方法的原理已经在python中使用box-cox变换的方法。原创 2022-10-23 21:17:00 · 3380 阅读 · 0 评论 -
时间序列的数据分析(六):指数平滑预测法
本文主要介绍了指数平滑预测法的一些基本方法如简单指数平滑,趋势法、阻尼趋势法,季节性法。需要说明的是本文主要参考了并将书中原来用R语言实现的算法用Python实现了一下,在python代码中调用的指数平滑算法包主要来自于statsmodels包。通过对的学习并结合对statsmodels包的练习可以更加深刻的解指数平滑的原理。...原创 2022-09-01 10:20:59 · 11231 阅读 · 9 评论 -
时间序列的数据分析(五):简单预测法
今天我们解释4种最简单的朴素预测法:均值法,最后值法,季节性最后值法,漂移法,朴素预测法虽然很简单但有时候也会有较好的预测效果,如季节性周期变化很明显的时候我们可以使用季节性最后值法,当遇到类似随机游走型的时间序列如股票数据时使用漂移法有时候也会有较好的预测效果。有兴趣的读者可以自己尝试一下使用yfinance 包来下载美国的股票数据如:特斯拉,苹果,谷歌的股票代码:tsla、aapl、goog来进行研究。...原创 2022-08-09 14:28:40 · 3003 阅读 · 1 评论 -
时间序列的数据分析(四):STL分解
今天我们主要介绍了STL的分解的主要参数,和分解的过程,并观察了分解以后残差的分布和均值并确认了残差服从以0为均值的近似正太分布,这说明STL分解是正确的。其次我们还介绍了趋势程度、季节性程度以及季节性波峰的计算方法,这有助于确定数据是否具有良好的可预测性。...原创 2022-07-30 13:20:13 · 26750 阅读 · 53 评论 -
时间序列的数据分析(三):经典时间序列分解
在本章中我们学习了时间序列数据的加法分解和乘法分解的基本步骤,我们一步步通过手动的方法计算了趋势、去趋势项、季节项、残差项等特征项,手动分解的目的是让读者能进一步了解各个特征项的计算逻辑,最后我们使用了statsmodels的seasonal_decompose方法来自动分解,并对比了手动分解与自动分解的结果,并确认他们是一致的。.........原创 2022-07-22 11:57:13 · 13341 阅读 · 5 评论 -
时间序列的数据分析(二):数据趋势的计算
在这一章里我们了解了时间序列分解方法有加法分解和乘法分解,可以通过移动平均来计算数据的趋势,移动平均又可以分为简单移动平均(奇数阶)和偶数阶移动平均,简单移动平均的结果是对称的,偶数阶移动平均的结果是不对称的,为此还要再进行一次偶数阶移动平均才能让数据对称,同样偶数阶移动平均2×m-MA可以转换成奇数阶移动平均(m+1)-MA,并且权重为[1/(2m),1/m……1/m,1/(2m)],其中收尾权重值较小是为了克服连续年份内数据波动对趋势带来影响,并使趋势曲线更加平滑。.........原创 2022-07-20 16:18:16 · 12612 阅读 · 6 评论 -
时间序列的数据分析(一):主要成分
为了对时间序列数据进行准确预测必须了解时间序列数据的主要成分,如何找到数据中的主要成分,如何快速分解时间序列,本文会帮助读者了解时间序列数据预测的相关内容。原创 2022-07-19 16:25:18 · 9765 阅读 · 3 评论 -
基因facebook的时间序列预测框架prophet的实战应用。
在许多商业活动中,季节因素、假期因素等对商家的销售活动会起到很大的影响,如淡季、旺季、十一,五一、春节等假期都会商家的销售额产生很大的影响。如何能让我们的模型从数据的时间序列中捕捉到这种有规律的时间的变化特征,从而为我们提供更加准确的预测,这正是本文所要讨论的主要内容。 这里我们将使用facebook的时间序列预测框架Prophet(https://facebook.github.io/proph...原创 2020-03-05 18:07:38 · 1502 阅读 · 0 评论 -
在Keras中使用LSTM模型进行多变量时间序列预测
今天我给大家介绍一个国外深度学习大牛Jason Brownlee写的一篇关于多变量时间序列预测的博客,我在原文的代码基础上做了一点点修改,只是为了便于大家更好的理解。在本文中,您将了解如何在Keras深度学习库中为多变量时间序列预测开发LSTM模型。读完成本文后,您将了解:如何将原始数据集转换为可用于时间序列预测的数据。 如何准备数据并使LSTM适合多变量时间序列预测问题。 如何进行预测并...翻译 2019-08-25 20:59:50 · 15493 阅读 · 26 评论 -
基于ANN和LSTM的时间序列预测
如何使用python开发一个基于Keras+ANN+LSTM的时间序列预测程序?本文的目的是解释人工神经网络(ANN)和长期短期记忆递归神经网络(LSTM RNN),使您能够在现实生活中使用它们,并为预测时间序列构建最简单的ANN和LSTM递归神经网络。数据股票代码VIX是著名的芝加哥期权交易所波动率指数,它是衡量S&P500(标准普尔500)指数期权并预示股市波动预期的一种流...原创 2019-02-15 21:49:02 · 11200 阅读 · 25 评论