经典时序预测算法

最新推荐文章于 2024-04-29 11:01:08 发布

徐熹微

最新推荐文章于 2024-04-29 11:01:08 发布

阅读量1.2k

点赞数 1

文章标签：机器学习 python

本文链接：https://blog.csdn.net/weixin_52487332/article/details/123685722

版权

记录学习安全库存需求预测路线、心得

文章目录

前言

时序预测就是利用过去一段时间的数据来预测未来一段时间内的信息。预测结果依赖于数据在时间上的先后顺序，意思是，相同的数据改变输入顺序会得到不同的结果。

时序数据的预测涉及多种方式，如经典的时序预测方法、机器学习中的算法、深度神经网络等。

一、经典时序预测算法

1.AR-Aotu Regressive Model

自相关：自身前一部分的数据与后一部分数据有相关性；利用自相关性建立方程，进行预测分析。

如下公式为，p阶的自回归过程——AR(p)；

$X_{t}$ (随机变量)的值与以前p期的序列值 $X_{t-1},X_{t-2},X_{t-3}....X_{t-p}$ (自变量)相关；

$\phi _{p}$ 表示自回归系数；

$U_{t}$ 表示白噪声，是时间序列中的数值的随机波动，但是这些波动会相互抵消，最终是0。

$x_{t}=\phi _{1}*x_{{{\color{Blue} t-1}}}+\phi _{2}*x_{t-2}+....+\phi _{{\color{Red} p}}*x_{{\color{Blue} t-p}}+{\color{Red} u_{t}}$

当只有一个时间记录点，称为一阶自回归过程——AR(1)。

$x_{t}=\phi _{1}*x_{t-1}+u_{t}$

2.MA-Moving Average Model

一段时间序列中白噪声序列进行加权和，可以得到移动平均方程。如下方程，为q阶移动平均过程，表示为MA(q)。

$x_{t}={u_{t}}+\phi _{1}*x_{t-1}+\phi _{2}*x_{t-2}+....+\phi _{q}*x_{ t-q}$

$x_{t}$ (随机变量)的值与以前q期的平均值 $X_{t-1},X_{t-2},X_{t-3}....X_{t-q}$ (自变量)相关；

$\phi _{q}$ 表示自回归系数；

$U_{t}$ 表示白噪声，是时间序列中的数值的随机波动，但是这些波动会相互抵消，最终是0。

3.ARMA-Auto Regressive Moving Average Model

自回归平均移动模型，由自回归与平均移动模型组成，可以表示为ARMA(p,q)。p自回归阶数，q是移动平均阶数。

AR可以解决当前数据与后期数据之间的关系，MA则可以解决随机变动也就是噪声的问题。

$x_{t}={u_{t}}+\phi _{1}*x_{t-1}+\phi _{2}*x_{t-2}+....+\phi _{q}*x_{ t-q}+\vartheta _{1}*x_{t-1}+\vartheta _{2}*x_{t-2}+...+\vartheta _{p}*x_{t-p}$

4.ARIMA-Auto Regressive Integrate Moving Average Model

差分自回归平均移动模型；

基于平稳的时间序列或者差分后是稳定的序列；

可以表示为ARIMA(p,d,q)，其中p为自回归阶数，q为移动平均阶数，d为时间成为平稳时所做的差分次数。

补充知识点：

1、与ARMA的区别，ARIMA将非平稳的数据转化为平稳；

2、白噪声序列：特点表现在任何两个时点的随机变量都不相关，序列中没有任何可以利用的动态规律；

3、平稳非白噪声序列：例如：价格围绕价值波动；

4、平稳序列：如果时间序列 $\left \{ X_{t},t \epsilon T\right \}$ 在某一常数附近波动且波动范围有限，即有常数均值和常数方差，并且相距k期的序列变量之间的影响程度是一样的，则称 $\left \{ X_{t},t \epsilon T\right \}$ 为平稳序列。

5、非平稳序列：大多数时间序列都是非平稳的，一般可以通过差分、取对数等方法转化成平稳时间序列，若不成就不能使用平稳时间序列分析方法了。

6、拖尾：自相关系数以指数率单调递减或震荡衰减；

相关系数度ACF量指的是两个不同事件彼此之间的相互影响程度;

自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对自己现在的影响。

7、截尾：偏自相关系数PACF迅速降低到0附近，序列从某个时点变得非常小