时间序列预测相关的解决思路、模型诊断步骤、异常检测方法提及

1、时序分析基本思路

时序数据种类

1. 白噪声序列：没有预测的价值
2. 平稳非白噪声序列：AR、MA、ARMA
3. 非平稳序列：ARIMA

变量因素

1. 单变量时序：ARMA --> GARCH
2. 多变量时序：VAR --> MGARCH

待分析时序数据思路（AR/MA/ARMA/ARIMA）

ACF	PACF	模型选择
截尾	拖尾	MA
拖尾	截尾	AR
拖尾	拖尾	ARMA

截尾：某阶之后等于0
拖尾：某阶之后趋向于0

2、时序模型诊断/检验

模型诊断的目的

• 准确性
• 改进方向

模型诊断的方法

• 一元：残差分析、过度拟合
• 多元：残差交叉相关性、多元混成统计

残差分析：时间序列拟合效果好则为白噪声序列

step1.残差图：均值为0

• 是否具有趋势
• 是否具有异常波动

step2.残差正态性检验：满足正态分布

• QQ图：若满足正太分布则接近直线、中间密，两头疏
• shapiro-wilk正态性检验：W --> P

step3.残差自相关：没有自相关

• ACF图：绝对值与2/sqrt(n)对比，若没有大于则称没有提供残差非零自相关系数在统计上显著的证据
• Ljung-Box 检验

过度拟合

1. 额外参数不显著的不为0
2. 共同参数与原始估计相比无显著改变

避免参数冗余的方法

1. 简单模型先检验
2. 模型逐渐复杂化
3. 根据残差分析的线索进行模型扩展

3、时序异常检测

比较常见的时序异常检测方法

1. 基于统计：某时刻值偏离某段时间的均值和方差值超过定义的阈值。
2. Autoregressive Moving Average(ARMA)：预测未来时间的值，如果偏离正常值一定阈值，认定异常
3. One-Class SVM：根据正常点判断新的时间是否为异常
4. KNN：邻近的样本数量，或近邻的样本距离计算其异常
5. AutoEncoder或者PCA降维：根据重构误差来计算是否异常，假设异常在重构时会丢失信息