时间序列数据分析

第一篇 时间序列数据处理技术

1. ETNA 时间序列库

1.1 可视化

1.2 自相关和偏自相关

自相关函数（AFC）描述了观测值与其滞后之间的直接关系。AFC 图有助于确定移动平均模型的滞后程度。
偏自相关函数（PAFC）描述了观测值与其滞后之间的直接关系。PAFC 图有助于确定自回归模型中的滞后程度。
让我们观察时间序列的 AFC 和 PAFC 图，指定最大滞后数。

acf_plot(ts, lags=21)

acf_plot(ts, lags=21, partial=True)

1.3 互相关

互相关通常用于比较多个时间序列，并确定它们之间的匹配程度，特别是在哪个点发生最佳匹配。互相关值越接近，集合越接近。
让我们绘制数据集中所有时间序列对的互相关。

cross_corr_plot(ts, maxlags=100)

1.4 相关性热图

相关性热图是数据集中时间序列之间成对相关矩阵的可视化。它是一个简单的可视化工具，可用于确定数据集中的相关时间序列。
让我们看一下相关性热图，在数据集中添加滞后列，以捕获相关但有一些偏移的序列。

from etna.transforms import LagTransform
lags = LagTransform(in_column="target", lags=[1, 7], out_column="lag")
ts.fit_transform([lags])
plot_correlation_matrix(ts, segments=["segment_a", "segment_b"], method="spearman", vmin=0.5, vmax=1)

1.5 分布

按线段和时间频率分组的 z 值分布。使用此图，您可以监控数据随时间的漂移。
让我们比较数据集中每年的分布。

distribution_plot(ts, freq=