第二十三章时间序列

zz_wen

于 2024-10-10 21:50:02 发布

阅读量479

点赞数 19

文章标签：人工智能

本文链接：https://blog.csdn.net/zz_wen/article/details/142829185

版权

时间序列分析是统计学的一个分支，专注于研究随时间变化的数据集。这类数据通常按照时间顺序记录，可以用于预测未来趋势、季节性分析、周期检测等多种目的。

基本概念

由一系列按时间顺序排列的数据点组成的集合。每个数据点都对应于一个特定的时间戳。例如，每天的股票价格、每月的销售额、每年的气温数据等都可以形成时间序列。

主要特征

时间序列通常具有以下几种特征：

趋势（Trend）：数据随时间的变化呈现出长期上升或下降的趋势。
季节性（Seasonality）：数据随时间呈现出周期性的波动，如每周、每月或每年的重复模式。
周期性（Cyclical）：类似于季节性，但周期长度不确定，通常与经济周期有关。
随机性（Randomness）：无法预测的随机波动。

处理步骤

数据收集：收集时间序列数据。
预处理：清洗数据，处理缺失值、异常值等问题。
探索性数据分析（Exploratory Data Analysis, EDA）：使用可视化工具和统计方法来理解数据的特性。
分解（Decomposition）：将时间序列分解为趋势、季节性和随机成分。
模型建立：选择合适的时间序列模型进行建模。
模型评估：使用适当的指标评估模型的性能。
预测：利用模型对未来数据进行预测。

常见模型

ARIMA（AutoRegressive Integrated Moving Average）

一种广泛使用的模型，适用于具有趋势和季节性的数据。

指数平滑法（Exponential Smoothing）

简单快速的方法，适合短期预测。

状态空间模型（State Space Models）

可以处理复杂的时间序列问题，如带有未观测状态变量的情况。

季节性分解时间序列模型（Seasonal Decomposition of Time Series, STL）

用于分解时间序列中的趋势、季节性和剩余成分。

深度学习模型

如 LSTM（Long Short-Term Memory）网络，适合处理非线性、长依赖的时间序列数据。

FBProphet

FBProphet 是 Facebook 开源的一个时间序列预测库，特别适合处理具有强季节性和趋势成分的时间序列数据。它被设计为易于使用且具有高度可解释性，非常适合那些没有深入统计背景的用户。FBProphet 的主要特点包括：

特点

易于使用：FBProphet 的 API 设计简洁，用户只需要几行代码就可以构建和训练模型。
自动处理趋势和季节性：FBProphet 自动识别并处理数据中的趋势和季节性成分。
强大的季节性建模：它支持多种周期性的季节性（如每周、每年），并且能够处理非标准周期。
异常值处理：FBProphet 对于数据中的异常值具有较好的鲁棒性。
可解释性强：模型的组成部分（如趋势、季节性等）可以单独提取出来查看，便于理解预测结果。
灵活的节假日建模：可以指定特定日期作为节假日，并影响模型的预测。
不确定性估计：提供预测区间的估计，帮助理解预测的不确定性。

原理

FBProphet 基于斯坦福大学开发的 Stan 概率编程框架。它的数学模型可以概括为以下形式：

$ y(t) = g(t) + s(t) + h(t) + \epsilon_t $

其中：

( g(t) ) 表示趋势成分，使用分段线性函数或 Logistic 函数来建模。
( s(t) ) 表示周期性的季节性成分，使用傅里叶级数来建模。
( h(t) ) 表示节假日效应，可以自定义特定日期的影响。
( $ \epsilon_t $) 表示残差，即模型未能捕捉的随机噪声。

使用示例

import pandas as pd
from fbprophet import Prophet

# 加载数据
df = pd.read_csv('example.csv')
df['ds'] = pd.to_datetime(df['ds'])  # 确保日期列为 datetime 类型
df['y'] = df['y'].astype(float)      # 确保目标列为 float 类型

# 初始化模型
model = Prophet()

# 拟合模型
model.fit(df)

# 创建未来日期的数据框
future = model.make_future_dataframe(periods=365)  # 预测未来的 365 天

# 进行预测
forecast = model.predict(future)

# 可视化结果
fig1 = model.plot(forecast)
plt.show()

在这个示例中，我们首先加载数据并确保日期列 (ds) 和目标列 (y) 的类型正确。接着初始化一个 Prophet 模型，并使用数据拟合模型。之后，我们创建一个包含未来日期的数据框，并使用模型进行预测。最后，我们可视化预测结果。

应用场景

FBProphet 广泛应用于商业和科研领域，例如：

销售预测：预测未来的销售额，帮助企业做出库存决策。
能源需求预测：预测电力消耗，帮助电力公司合理调度资源。
网站流量预测：预测网站访问量，帮助优化服务器资源。
市场趋势分析：预测商品价格走势，辅助投资决策。

与其他时间序列模型的对比

相比于传统的 ARIMA、指数平滑法等模型，FBProphet 更加自动化，并且更容易使用。它不需要用户手动指定模型的阶数，也不需要对数据进行复杂的预处理。然而，对于非常复杂或非线性的时间序列数据，FBProphet 可能不如深度学习模型（如 LSTM）那样灵活和强大。

实战代码

import numpy as np
import pandas as pd
from prophet import Prophet
import warnings

warnings.filterwarnings("ignore")

df = pd.read_csv('data/BABA.csv')
# print(df.head())

# 筛选特定列
new_df = df[['Date', 'Close']]
# 为Prophet Model 时间序列:ds, price:y重命名列
new_df.columns = ['ds', 'y']
# print(new_df)

# 初始化模型
model = Prophet()
# 训练模型
model.fit(new_df)
future = model.make_future_dataframe(periods=360, freq='D')  # 预测未来360天
# 模型预测
guess = model.predict(future)
print(guess)

model.plot(guess).show()