1、时间序列预测的特征通常包括:
趋势:时间序列长期的平均变化趋势,可以是线性的,也可以是非线性的。
- 例如:经济增长,股市长期走势
季节性:季节性是指在相同时间周期内不断重复出现的周期性变化。
周期性:数据中不固定周期的波动。它可以是固定的,也可以是不规则的。周期性通常表现为往复波动,但这些波动没有固定的周期或振幅。
随机或噪音(Noise):由于各种原因导致不可预测的波动
2、数据分解成imf和残差,其中的残差与随机或噪声不一样,残差与残差可能包含噪音,但也可能包含未被捕获的有用信息或模式。噪音则是纯粹的随机波动,不含有用信息。
3、时序数据分解方法:加法模型和乘法模型。
加法模型 (Additive Model)
在加法模型中,时序数据 Y(t) 可以表示为这些组件的和:
Y(t)=Trend+Seasonality+Cyclic+Noise
- 适用情况:当各组件之间相互独立,或者季节性和周期性的幅度不随时间变化时,通常使用加法模型。
乘法模型 (Multiplicative Model)
在乘法模型中,时序数据Y(t) 可以表示为这些组件的乘积:
Y(t)=Trend×Seasonality×Cyclic×Noise
- 适用情况:当季节性和周期性的幅度随着时间(或趋势)而变化时,通常使用乘法模型。
我们所提的EMD、VMD、EEMD等时序数据分解方法与上述方法均不同,EMD、VMD和EEMD通常用于更复杂的非线性和非平稳信号分析,而加法和乘法模型更适用于相对简单、稳定的时间序列数据。