时间序列模型分类及应用

最新推荐文章于 2023-10-06 09:48:37 发布
最新推荐文章于 2023-10-06 09:48:37 发布
阅读量2k 收藏 16
点赞数 2
分类专栏： 时间序列模型 文章标签： 分类 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46579654/article/details/129319270
版权

概念及应用

1.概念

时间序列是按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周、月等。比如，产品月均销售趋势、股市K线图走势、医院日门诊就诊量等。这些数据形成了一定时间间隔且前后具有一定的延续性与关联性。通过对这些时间序列的分析，从中发现和揭示现象发展变化的规律，然后将这些知识和信息用于预测。

2.应用

时间序列本质上反映的是某个或者某些随机变量随时间不断变化的趋势，从数据中挖掘出这种趋势变化规律，并利用其对将来的数据做出估计和预测。其可以反映社会经济现象的发展变化过程，描述现象的发展状态和结果；可以研究社会经济现象的发展趋势和发展速度；可以探索现象发展变化的规律，对某些社会经济现象进行预测。一直以来在金融领域（股票走势、期货价格等）应用较为广泛，近年来在医疗卫生领域，传染病发病、非传染病健康结局指标等方面发挥越来越重要作用。

定义及分类

定义

在统计学研究中，常用按时间顺序排列的一组随机变量X1,X2,…,Xt,…来表示一个随机事件的时间序列，简记{Xt,tϵT}或{Xt}.用x1,x2,…,xn或{xt,t=1,2,…,n}表示该随机序列的n个有序观察值，称为序列长度为n的观察值序列。

分类

1.按照研究对象可分为一元时间序列和多元时间序列；
2.按照连续性可分为离散型时间序列和连续型时间序列；
3.按照统计特性可分为平稳时间序列和非平稳时间序列。

因素分解

自然界中数据序列大多数都是非平稳的，通常显示出明显的规律性，比如有显著的趋势或者有固定的周期波动。尽管不同的序列波动特征千差万别，但是序列的各种变化都可以归纳成以下四大类因素的综合影响。
1.长期趋势（trend）：该因素的影响会导致序列呈现出明显的长期趋势（递增、递减等）。
2.循环波动（circle）：该因素会导致序列呈现出从低到高再由高至低的反复循环波动。
3.季节性变化（season）：该因素会导致序列呈现出和季节变化相关的稳定的周期波动。
4.随机波动（inmediate）：除了长期趋势、循环波动、季节性变化外，序列还会受到各种其他因素的综合影响，而这些影响导致序列呈现出一定的随机波动。
在这里插入图片描述

时间序列预测方法

1. 朴素预测法(Naive Forecast)

如果数据集在一段时间内都很稳定，我们想预测第二天的结果，可以取前面一天的结果，预测第二天的值。这种假设第一个预测点和上一个观察点相等的预测方法就叫朴素法，即 y t +1 = y t 。朴素法实际就是预测值等于实际观察到的最后一个值，它假设数据是平稳且没有趋势性与季节性的，通俗来说就是以后的预测值都等于最后的值。（这种方法很明显适用情况极少）

代码实现

#####时间序列模型代码实现####
rm(list = ls())
##安装载入软件包##
if(!requireNamespace("dplyr","purrr","forecast",quietly=TRUE))
  install.packages("dplyr","purrr","forecast")
require(dplyr)
require(purrr)
require(forecast)
setwd("f://时间序列模型")
time<-seq.Date(as.Date("1990-01-01"),as.Date("2019-01-01"),by="1 year")
###朴素法###
set.seed(111)
test<-runif(25,100,150)%>%round()
test<-c(test,rep(test[25],5))
plot(time,test,type = "l",lwd=2,col="black")
abline(v=time[26],lty=2)
lines(time[26:30],rep(test[26],5),type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Naive Forecast")

在这里插入图片描述

2. 简单平均法(Simple Average)

简单平均法就是预测的值为过去所有时期值的平均数。当然这不会很准确，但多少有点接近，这种预测方法在实际情况下效果最好（比如说某种商品价格随日期变化在一定均值上下波动）。

代码实现

###简单平均法###
set.seed(222)
test<-rnorm(30,100,50)%>%round()
plot(time,test,type = "l",lwd=2,col="black")
abline(v=time[26],lty=2)
lines(time[26:30],rep(mean(test[1:25]),5),type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Simple Average")

在这里插入图片描述

3. 移动平均法

【移动平均法也叫滑动平均法，即取前面N个时期的平均值作为预测值】

1）简单移动平均法(Sample Moving Average)

有时候我们在研究中会遇到这样的数据集，使用远期的数据会很大程度造成近期预测结果的偏移，因此作为简单平均法的改进，我们仅使用过去N个时间点的平均值，即认为只有距离当前结果最近的值才是重要的。这种利用时间窗口计算平均值的预测方法被叫做简单移动平均法；简单移动平均的计算涉及到规模为N个时间点的“滑动窗口”。（简单移动平均法实际中会非常有效，特别是选择了对于序列来说正确的N点）。

代码实现
###简单移动平均法###
set.seed(222)
test<-rnorm(30,100,50)%>%round()
plot(time,test,type = "l",lwd=2,col="black")
abline(v=c(time[16],time[26]),lty=2)
text(time[20],mean(test),"N",col="red",cex=1.2)
lines(time[26:30],rep(mean(test[16:25]),5),type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Sample Moving Average")

在这里插入图片描述

2）加权移动平均法(Weighted Moving Average)

加权移动平均法是对移动平均法的改进，在上述移动平均法中，每个“滑动窗口期”时间点数据在求平均值的作用是等同的。但是，每个时间点数据所包含的信息量不一样，通常来讲近期值包含的信息更加重要。因此，把各时间点数据等同看待是不尽合理的，应考虑各时间点数据的重要性，对近期数据给予较大的权重wt，这就是加权移动平均法的基本思想。wt的选择具有一定的经验性,一般的原则是：近大远小，近期数据权重大，远期数据权重小。具体如何选择需要对序列有足够的分析和了解。

代码实现
###加权移动平均法###
set.seed(222)
test<-rnorm(30,100,50)%>%round()
c(rep(0,6),0.1,0.2,0.3,0.4)->wd##设置权重
plot(time,test,type = "l",lwd=2,col="black")
abline(v=c(time[16],time[26]),lty=2)
text(time[20],mean(test),"N",col="red",cex=1.2)
lines(time[26:30],rep(sum(test[16:25]*wd),5),type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Weighted Moving Average")

3）趋势移动平均法(Trend Moving Average)

在时间序列没有明显的趋势变动时，单纯移动平均和加权移动平均法在一定程度上能够准确反映实际情况。但在日常统计分析过程中，所研究的数据通常存在递增或递减的变动趋势。这时候再用单纯移动平均法和加权移动平均法来预测就会出现滞后偏差。因此，利用移动平均滞后偏差的规律来建立直线趋势的预测模型，这就是趋势移动平均法。趋势移动平均法需要对序列一次移动平均后再做一次二次平均，建立直线趋势模型，Yt+T=at+btT,T=1,2,…,其中t为当前时期数；T为t至预测期的时期数；at为截距；bt为斜率。求解参数a和b,代入模型进行预测。

代码实现
###趋势移动平均法###
##以下生成趋势时间序列##
tt<-vector() 
set.seed(112)
tt[1]<-rnorm(1,50,30)%>%round() 
for(i in 2:30){
tt[i]<-tt[i-1]+rnorm(1,50,30)%>%round() 
}
##生成一次移动平均
t1<-vector(mode = "numeric")
for(i in 1:16){
  t1[i]<-mean(tt[i:(i+9)])
}
##生成二次移动平均
t2<-vector(mode = "numeric")
for(i in 1:7){
  t2[i]<-mean(t1[i:(i+9)])
}
##求解线性趋势模型参数##
a<-2*t1[16]-t2[7]
b<-2/(10-1)*(t1[16]-t2[7])
yc<-vector(mode="numeric")
for(i in 1:5){
  yc[i]<-a+b*i
}
plot(time,tt,type = "l",lwd=2,col="black")
abline(v=c(time[16],time[26]),lty=2)
lines(time[26:30],yc,type="l",col="red",lwd=2)
text(time[20],mean(tt),"t",col="red",cex=1.2)
text(time[28],mean(tt),"T",col="red",cex=1.2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Trend Moving Average")

在这里插入图片描述

4. 趋势拟合法

【有些时间序列具有非常显著的趋势，有时我们分析的目的就是要找到序列中的这种趋势，并利用这种趋势对序列未来的发展作出合理的预测。趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的方法】

1） 线性拟合法(Linear fitting)

如果序列的长期趋势呈现出线性特征，那么我们可以用线性拟合法来构建预测模型。

代码实现
###线性拟合法###
dd<-data.frame(time[1:25],tt[1:25])%>%setNames(c("time","num"))
x.fit<-lm(data=dd,num~time)##拟合线性回归模型
yc.dd<-data.frame(time[26:30])%>%setNames("time")
yc<-predict(x.fit,yc.dd)##预测结果
plot(time,tt,type = "l",lwd=2,col="black")
abline(v=time[26],lty=2)
lines(time[26:30],yc,type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Linear fitting")

在这里插入图片描述

2）曲线拟合法(Curve fitting)

如果序列的长期趋势呈现出非线性/曲线特征，那么我们可以用曲线拟合法来构建预测模型。

代码实现
###曲线拟合法
tt<-seq(1:30)^2
dd<-data.frame(time[1:25],tt[1:25],c(1:25)^2)%>%setNames(c("time","num","zz"))
x.fit<-lm(data=dd,num~time+zz)##拟合线性回归模型
yc.dd<-data.frame(time[26:30],c(26:30)^2)%>%setNames(c("time","zz"))
yc<-predict(x.fit,yc.dd)##预测结果
plot(time,tt,type = "l",lwd=2,col="black")
abline(v=time[26],lty=2)
lines(time[26:30],yc,type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Curve fitting")

在这里插入图片描述

5. 指数平滑法

【指数平滑法的基本思想即考虑全部时间间隔对事件发展的影响，各期权重随时间间隔的增大而呈指数衰减，新近观察值比早期观察值具有更大的权重，利用修匀技术削弱短期随机波动对序列的影响，使序列平滑化，从而找出其变化规律，对未来发展趋势做出合理的预测】

1）简单指数平滑法(Simple Exponential Smoothing)

先前的简单平均法将历史序列数据一个不漏的全部加以利用，​移动平均法则不考虑较远期的数据，选取一个滑动窗口期N，并在加权移动平均法中给予近期更大的权重，而N期之前的数据对未来值没有影响，加权为 0。这时候我们就需要考虑能否将所有数据考虑在内，同时也能给数据赋予不同权重。简单指数平滑法不考虑序列中存在的趋势和周期性变化，模型中只有一个水平参数α，对于变化缓慢的序列，常取较小的α，对于变化迅速的序列，常取较大的α。经验表明α的值介于0.05~0.3之间，修匀效果比较好。

代码实现
##简单指数平滑法##
set.seed(222)
test<-rnorm(30,100,50)%>%round()
tt<-ts(test[1:25],start = 1990)
fit1<-HoltWinters(tt,beta = F,gamma = F)
yc<-data.frame(forecast(fit1,5))[,1]
plot(time,test,type = "l",lwd=2,col="black")
abline(v=time[26],lty=2)
lines(time[26:30],yc,type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Simple Exponential Smoothing")

在这里插入图片描述

2） Holt 两参数指数平滑法（Holt Exponential Smoothing）

Holt 两参数指数平滑法在简单指数平滑法的基础上，增加了一个趋势参数β，考虑了数据集可能存在的趋势变化。适用于对含有线性趋势的序列进行修匀，建模过程中需要选择两个平滑参数ɑ和β的取值。

代码实现
##holt两参数指数平滑法##
##以下生成趋势时间序列##
tt<-vector() 
set.seed(112)
tt[1]<-rnorm(1,50,30)%>%round() 
for(i in 2:30){
  tt[i]<-tt[i-1]+rnorm(1,50,30)%>%round() 
}
tt1<-ts(tt[1:25],start = 1990)
fit2<-HoltWinters(tt1,gamma = F)
yc<-data.frame(forecast(fit2,5))[,1]
plot(time,tt,type = "l",lwd=2,col="black")
abline(v=time[26],lty=2)
lines(time[26:30],yc,type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Holt Exponential Smoothing")

在这里插入图片描述

3） Holt-Winters 三参数指数平滑法（Holt-Winters)

Holt-Winters 三参数指数平滑法在Holt指数平滑法的基础上，增加了一个季节参数S，考虑了数据集可能存在的季节变化规律。适用于一个含有增长或降低趋势并存在季节变化的时间序列的预测分析，建模过程中需要选择三个平滑参数ɑ、β和S的取值。同时在建立Holt-Winters模型时，通常有无季节性模型、基于加法的季节模型以及基于乘法的季节模型，需要针对研究序列调整相应的参数。

代码实现
##holt-winters指数平滑法##
##以下生成包含季节性时间序列##
tt<-c(seq(100,200,by=25),seq(300,200,by=-25),seq(300,400,by=25),seq(500,400,by=-25),seq(500,600,by=25),seq(650,550,by=-25))
tt1<-ts(tt[1:25],start = c(1990,1),frequency = 5)
fit3<-HoltWinters(tt1)
yc<-data.frame(forecast(fit3,5))[,1]
plot(time,tt,type = "l",lwd=2,col="black",ylim = c(0,800))
abline(v=time[26],lty=2)
lines(time[26:30],yc,type="l",col="red",lwd=2)
legend("topleft",c("观测值","预测值"),col=c("black","red"),lty=c(1,1),cex=0.8,lwd=2)
title(main="Holt-Winters Exponential Smoothing")

在这里插入图片描述

其他时间序列预测方法

详细推算公式和其他研究方法在此不在过多叙述，有需要的小伙伴可以查阅一下相关参考链接。
参考链接：

[1] https://blog.csdn.net/qq_29831163/article/details/89440215
[2] https://blog.csdn.net/weixin_42455135/article/details/100620870?spm=1001.2014.3001.5506
[3] https://blog.csdn.net/evenson1/article/details/108163708?spm=1001.2014.3001.5506
[4] https://blog.csdn.net/c1z2w3456789/article/details/80752541?spm=1001.2014.3001.5506
[5]https://www.math.pku.edu.cn/teachers/lidf/course/fts/ftsnotes/html/_ftsnotes/index.html
[6]https://www.math.pku.edu.cn/teachers/lidf/course/atsa/atsanotes/html/_atsanotes/atsa-tsconcepts.html

寻小宁
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
时间序列分析的应用
12-14
时间序列挖掘，及其各种应用场景的叙述，内容详实。公式清晰。。。
时间序列分析及应用
12-30
本书以易于理解的方式讲述了时间序列模型及其应用，主要内容包括：趋势、平稳时间序列模型、非平稳时间序列模型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差时间序列模型、谱分析入门、谱估计、门限模型.对所有的思想和方法，都用真实数据集和模拟数据集进行了说明., 本书可作为高等院校统计、经济、商科、工程及定量社会科学等专业学生的教材或教学参考书，同时也可供相关技术人员使用.
时间序列分类：基于深度学习的时间序列分类
08-11
时间序列分类：基于深度学习的时间序列分类
时间序列模型的应用及探究
weixin_54204022的博客
10-06 909
另一方面充分考虑到偶然因素而统计分析，进行趋势预测，将该模型应用到日用品消耗、流浪猫数量、国民生产总值等方面，找到其连续几年的合理性数据（基于完全统计），运用该对应的时间序列模型进行预测，以达到预测信息的目的，有效的解决问题。若时间序列的变动具有直线趋势，使用一次指数光滑法会出现滞后偏差，原因在于数据不能够满足模型要求，那么可以从数据变换的角度来考虑改进措施，即在运用指数平滑法对先前的技术做出一些处理，使其能够适合于一次指数平化模型，接着在对处理完的结果作技术上的返回处理，使之恢复为原变量的形态。
Python 3中使用ARIMA进行时间序列预测的指南
u014096903的博客
04-17 3万+
最好的做法是，从笔记本电脑的顶部导入需要的库： import warnings import itertools import pandas as pd import numpy as np import statsmodels.api as sm import matplotlib.pyplot as plt plt.style.use('fivethirtyeight') 我们还为我们的地块...
时间序列分类总结（time-series classification）
热门推荐
藏晖的博客
02-11 6万+
时间序列分类总结（time-series classification）一、传统方法（需要手工设计）1、DTW（dynamic time warping）& KNN2、基于特征的方法二、深度学习1、MLP、FCN、ResNet2、LSTM_FCN、BiGRU-CNN3、MC-CNN（multi-channel CNN）、MCNN(multi-scale CNN)参考文献  &nb...
时间序列模型的学习源码
03-04
在这个话题中，我们将深入探讨几种常用的时间序列模型和预测方法，包括SARIMA、线性回归、XGBoost以及Facebook的Prophet。 首先，**时间序列** 是一组按照特定时间顺序排列的数据点，它们反映了某个变量随时间的...
第24章 时间序列模型1
08-03
总之，时间序列模型是理解和预测时间相关数据的关键，其分类和分析方法提供了洞察数据动态变化的途径。通过选择合适的时间序列模型，我们可以揭示隐藏的模式，从而做出有效的预测和决策。在数据分析领域，熟练掌握...
数学建模国赛获奖论文分类整理:时间序列分解
05-21
此外，论文还会展示如何将模型结果应用于决策制定，帮助我们在实际问题中应用时间序列分解。 总的来说，这个“数学建模国赛获奖论文分类整理:时间序列分解”资源提供了一个宝贵的学习平台，对于想要提升时间序列...
高级深度时间序列模型库
最新发布
08-13
我们提供了一个整洁的代码库来评估高级深度时间序列模型或开发您的模型，它涵盖了五个主流任务：长期和短期预测、插补、异常检测和分类。 （2024.07）我们撰写了一份基于TSLib的严格基准的[深度时间序列模型]综合...
多变量时间序列的异常识别与分类研究
10-14
多变量时间序列的异常识别与分类研究，这是一篇博士论文，该论文详细介绍了时间序列方面的挖掘。详细介绍了分类。
利用Python对时间序列进行分类与聚类
12-13
可靠的方法去判断两个时间序列是否相似，截下来便可以使用k-NN算法进行分类。根据经验，最优解一般出现在k=1的时候。下面就利用DTW欧氏距离的1-NN算法。在该算法中，train是时间序列示例的训练集，其中时间序列所属的类被附加到时间序列的末尾。test是相应的测试集，它所属于的类别就是我们想要预测的结果。在该算法中，对于测试集中的每一个时间序列，每一遍搜索必须遍历训练集中的所有点，从而可以找到最多的相似点。考虑到DTW算法是二次方的，计算过程会耗费非常长时间。我们可以通过LB Keogh下界方法来提高分类算法的计算速度。计算机运行LB Keogh的速度会比运行DTW的速度快很多。另外，当LB
时间序列算法
10-21
时间序列算法及matlab代码，详细介绍时间序列算法思想及运算过程，并附有matlab实例讲解，数学建模学习课件！
论文研究-基于动态集成决策树的多类别时间序列分类模型.pdf
07-22
针对以往时间序列分类技术忽略了数据间自相关性对算法影响的不足，通过对传统决策树算法进行扩展，提出了序列熵和序列对信息增益的概念，并以此构建针对时间序列的决策树（time series decision tree，TSDT）。在此基础上，以TSDT为基分类器，通过动态分类器集成技术，提出了时间序列动态集成分类算法（En-TSDT）。在UCR数据集上的实验表明，与目前应用最广泛的1NN-DTW分类器相比，En-TSDT克服了时间序列数据的自相关性对分类算法的影响，具有更好的分类性能和鲁棒性。
Python-利用LSTM进行多标签时间序列分类
08-11
利用LSTM进行多标签时间序列分类
时间序列分类
一梦南柯
08-19 1万+
时间序列分类比较麻烦是因为我们用于模型训练的数据的每条样本一般是一个特征向量x对应一个y的形式，而时间序列的大量的信息藏在它的结构中，不仅仅体现在数值上。没意识到这一点的话，我们提取的特征可能就没有什么价值。（其实意识到了也没用，因为还是不会处理。） 总结 通过把K近邻（K=1）和动态时间规整距离结合起来，能得到一个效果突出的时间序列分类器，解决了很多人面对时间序列无所下手的问题。有兴趣的...
Time Series Classification时间序列分类 （一）
Gownsmandell的博客
04-16 3021
利用DTW+KNN的时间序列分类算法
时间序列聚类、分类
chenhepg的博客
05-11 2831
@创建于：2022.05.11 @修改于：2022.05.11 文章目录1、时序聚类2、时序分类 1、时序聚类 聚类分析（cluster analysis）简称聚类（clustering），它是数据挖掘领域最重要的研究分支之一，也是最为常见和最有潜力的发展方向之一。聚类分析是根据事物自身的特性对被聚类对象进行类别划分的统计分析方法，其目的是根据某种相似度度量对数据集进行划分，将没有类别的数据样本划分成若干个不同的子集，这样的一个子集称为簇（cluster)，聚类使得同一个簇中的数据对象彼此相似，不同簇中的数
时间序列类型
weixin_43786147的博客
03-22 492
单变量时间序列 具有单一时间依赖变量的序列 如 温度-时间（一个时间对应一个温度） 多变量时间序列 具有一个以上的时间依赖变量。每个变量不仅取决于其过去的值，而且还对其他变量有一定的依赖性 假设我们的数据集包括过去两年的汗水百分比、露点、风速、云层覆盖率等，以及温度值。在这种情况下，有多个变量被认为是最佳预测温度。像这样的系列将属于多元时间序列的范畴 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值