本文详细介绍了ARMA模型在分析和预测系统负载、磁盘容量等时间序列数据中的作用。内容涵盖ARMA模型的基本原理、平稳性检验、白噪声检验以及Python实战案例。通过Python进行数据预处理、模型建立，最终确认ARIMA(1,1,1)模型的残差符合白噪声检验，适合用于预测。"
1478672,175336,VB.NET实现局域网UDP聊天及在线用户列表,"['VB.NET', '网络编程', '多线程', '局域网通信', 'UDP协议']
本章是对应用系统负载和磁盘容量进行分析和预测，涉及到的数据为时间序列数据，因此最后是用ARMA模型去拟合。
本文主要包含以下部分：
- ARMA模型
- 平稳性检验
- 白噪声检验
- Python实战
- 总结
ARMA模型
关于ARMA模型，具体可看 [ 时间序列中的ARMA模型
](http://www.morefund.com/a/duichongshidian/2011/0422/327.html) 和 [ ARMA百度百科
](https://baike.baidu.com/item/ARMA%E6%A8%A1%E5%9E%8B/8048415?fr=aladdin) 。
本文摘录其主要部分：
模型基本原理
将预测指标随时间推移而形成的数据序列看作是一个随机序列，这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面，影响因素的影响，另一方面，又有自身变动规律，假定影响因素为
x 1 ， x 2 ，…， x k ，由回归分析，
其中Y是预测对象的观测值，Z为误差。作为预测对象Yt受到自身变化的影响，其规律可由下式体现，
误差项在不同时期具有依存关系，由下式表示，
由此，获得ARMA模型表达式：
其他的模型定义：
ARIMA模型运用的流程
- 根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。
- 对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。
- 根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。
- 利用已通过检验的模型进行预测。
平稳性检验
按照上文所述，在进行时间序列模型选择之前需要对数据平稳性进行检验，接下来本文将对平稳性的定义和检验方法进行概述，主要内容参考自 [ 时间序列的平稳性及其检验
](https://wenku.baidu.com/view/75479e2ff8c75fbfc67db218.html) 。
时间序列的平稳性定义
定义：假定某个时间序列是由某一随机过程（stochastic process）生成的，如果满足下列条件：
- 均值E( X t )=μ是与时间t 无关的常数；
- 方差Var( X t )=σ是与时间t 无关的常数；
- 协方差Cov( X t , X t + k )= γ k 是只与时期
最低0.47元/天 解锁文章
4371
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
