数据挖掘 | 您所在的位置:网站首页 › arma模型阶数识别规则 › 数据挖掘 |
向AI转型的程序员都关注了这个号👇👇👇 时间序列分析 一、 概念 时间序列(Time Series) 时间序列是指同一统计指标的数值按其发生的时间先后顺序排列而成的数列(是均匀时间间隔上的观测值序列)。 时间序列分析的主要目的是根据已有的历史数据对未来进行预测。 时间序列分析主要包括的内容有:趋势分析、序列分解、序列预测。 时间序列分解(Time-Series Decomposition) 时间序列按照季节性来分类,分为季节性时间序列和非季节性时间序列。 时间序列的构成要素: 长期趋势 T:现象在较长时期内受某种根本性因素作用而形成的总的变动趋势 季节变动 S:现象在一年内随着季节的变化而发生的有规律的周期性变动 循环趋势 C:现象以若干年为周期呈现出的波浪起伏形态的有规律的变动 不规则变动 I:是一种无规律可循的变动,包括严格的随机变动和不规则的突发性影响很大的变动两种类型 二、 非季节性时间序列 移动平均(MA,Moving Average) 移动平均是一种简单平滑技术,它通过在时间序列上逐项退役取一定项数的均值,来表现指标的长期变化和发展趋势 1、 简单移动平均(SMA) 简单移动平均将时间序列上前n个数值做简单的算术平均。 SMAn = ( x1 + x2 + …… + xn)/ n 2、 加权移动平均(WMA) 加权移动平均,在基于简单移动平均的基础上,对时间序列上前n期的每一期数值赋予相应的权重,即加权平均的结果 基本思想:提升近期的数据、减弱远期数据对当前预测值的影响,使预测值更贴近最近的变化趋势。 WMAn = w1x1 + w2x2 + …… + wnxn 3、 非季节性时间序列的分解 将非季节性时间序列分解为 趋势 和 不规则波动 两个部分。 #导入数据并绘制图形,得到如下的图形 三、 季节性时间序列 在一个时间序列中,若经过n个时间间隔后呈现出相似性,该序列具有以n为周期的季节性特性。 季节性时间序列的分解 将季节性时间序列分解为 趋势 、周期性 和 不规则波动 三个部分。 tips:需要将时间列转换成索引列,方便计算 四、 序列预测 1、概念 预测(forecast) 对尚未发生或目前还不明确的事物进行预先的估计和推测,是在现时对事物将要发生的结果进行探讨和研究,简单的说就是指从已知事件预测未知事件。 时间序列预测(Time Series Forecasting 通过分析时间序列,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延申,借以预测下一段时间或以后若干时间段内可能达到的水平。 平稳型时间序列(Stationary Time Series) 平稳时间序列,其统计特征不随时间变化二变换,一般采用均值、方差或者协方差来作为统计特征。 差分(Integrated) 常用的时间序列预测模型: AR(p)模型(Autoregressive Model):自回归模型描述的是当前值与历史值之间的关系 MA(q)模型(Moving Average Model):移动平均模型描述的是自回归部分的误差累计 ARMA模型:所谓ARMA模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。 原文地址 https://www.cnblogs.com/rix-yb/p/9919787.html 机器学习算法AI大数据技术 搜索公众号添加: datanlp 长按图片,识别二维码 阅读过本文的人还看了以下文章: TensorFlow 2.0深度学习案例实战 基于40万表格数据集TableBank,用MaskRCNN做表格检测 《基于深度学习的自然语言处理》中/英PDF Deep Learning 中文版初版-周志华团队 【全套视频课】最全的目标检测算法系列讲解,通俗易懂! 《美团机器学习实践》_美团算法团队.pdf 《深度学习入门:基于Python的理论与实现》高清中文PDF+源码 《深度学习:基于Keras的Python实践》PDF和代码 特征提取与图像处理(第二版).pdf python就业班学习视频,从入门到实战项目 2019最新《PyTorch自然语言处理》英、中文版PDF+源码 《21个项目玩转深度学习:基于TensorFlow的实践详解》完整版PDF+附书代码 《深度学习之pytorch》pdf+附书源码 PyTorch深度学习快速实战入门《pytorch-handbook》 【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》 《Python数据分析与挖掘实战》PDF+完整源码 汽车行业完整知识图谱项目实战视频(全23课) 李沐大神开源《动手学深度学习》,加州伯克利深度学习(2019春)教材 笔记、代码清晰易懂!李航《统计学习方法》最新资源全套! 《神经网络与深度学习》最新2018版中英PDF+源码 将机器学习模型部署为REST API FashionAI服装属性标签图像识别Top1-5方案分享 重要开源!CNN-RNN-CTC 实现手写汉字识别 yolo3 检测出图像中的不规则汉字 同样是机器学习算法工程师,你的面试为什么过不了? 前海征信大数据算法:风险概率预测 【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目,让你掌握深度学习图像分类 VGG16迁移学习,实现医学图像识别分类工程项目 特征工程(一) 特征工程(二) :文本数据的展开、过滤和分块 特征工程(三):特征缩放,从词袋到 TF-IDF 特征工程(四): 类别特征 特征工程(五): PCA 降维 特征工程(六): 非线性特征提取和模型堆叠 特征工程(七):图像特征提取和深度学习 如何利用全新的决策树集成级联结构gcForest做特征工程并打分? Machine Learning Yearning 中文翻译稿 蚂蚁金服2018秋招-算法工程师(共四面)通过 全球AI挑战-场景分类的比赛源码(多模型融合) 斯坦福CS230官方指南:CNN、RNN及使用技巧速查(打印收藏) python+flask搭建CNN在线识别手写中文网站 中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程 不断更新资源 深度学习、机器学习、数据分析、python 搜索公众号添加: datayx |
CopyRight 2018-2019 实验室设备网 版权所有 |