时间序列预测模型

最新推荐文章于 2023-09-07 09:05:17 发布

小刘要努力。

最新推荐文章于 2023-09-07 09:05:17 发布

阅读量4.2k

点赞数 4

分类专栏：原力计算

liurunsen

本文链接：https://blog.csdn.net/weixin_44510615/article/details/91361404

版权

本文介绍了时间序列预测模型，包括AR、MA、ARMA、ARIMA模型，强调了它们与逻辑回归的区别。AR模型是自回归模型，MA模型是滑动平均模型，ARMA是两者的结合，而ARIMA则引入了差分处理以适应非平稳数据。文章还提到了AIC作为衡量模型拟合的标准，并提及了Pandas的重采样方法resample在时间序列分析中的应用。

摘要由CSDN通过智能技术生成

AR、MA、ARMA、ARIMA模型介绍

时间序列预测模型

时间序列分析模型建立了 观察结果 与 时间变化 的关系，能帮我们预测未来一段时间内的结果变化情况。

时间序列和逻辑回归的区别

首先，在选择模型前，我们需要确定结果与变量之间的关系。回归分析训练得到的是目标变量 y 与自变量 x（一个或多个）的相关性，然后通过新的自变量 x 来预测目标变量 y。而时间序列分析得到的是目标变量 y 与时间的相关性。

另外， 回归分析擅长的是多变量与目标结果之间的分析 ，即便是单一变量，也往往与时间无关。而 时间序列分析建立在时间变化的基础上 ，它会 分析目标变量的趋势、周期、时期和不稳定因素等 。这些趋势和周期都是在时间维度的基础上，我们要观察的重要特征。

AR 模型

AR 的英文全称叫做 Auto Regressive，中文叫 自回归模型 。这个算法的思想比较简单，它认为过去若干时刻的点通过线性组合，再加上白噪声就可以预测未来某个时刻的点。在我们日常生活环境中就存在白噪声，在数据挖掘的过程中，你可以把它理解为一个期望为 0，方差为常数的纯随机过程。AR 模型还存在一个阶数，称为 AR（p）模型，也叫作 p 阶自回归模型。它指的是通过这个时刻点的前 p 个点，通过线性组合再加上白噪声来预测当前时刻点的值。