一、特征探索
1.1 纯随机性检验
计算Q统计量和LB统计量
1.2 平稳性检验
1、时序图
2、自相关系数图
3、偏相关系数图
4、单位根检验
二、特征处理方法
2.1 差分
复制代码
1
2diff_12 = ts_log.diff(12)
2.2 平滑法
参考：https://editor.csdn.net/md/?articleId=103409165
2.3 对数变换
减小数据的振动幅度，使其线性规律更加明显
复制代码
1
2ts_log = np.log(ts)
2.4 分解
复制代码
1
2
3
4
5
6
7from statsmodels.tsa.seasonal import seasonal_decompose decomposition = seasonal_decompose(ts_log, model="additive") trend = decomposition.trend seasonal = decomposition.seasonal residual = decomposition.resid
三、预测方法
3.1 Naive方法
下一个期望点等于最后一个观测点。
3.2 简单均值法
预测期望值等于所有观测点平均值。
3.3 移动平均法
复制代码
1
2rol_mean = series.rolling(window=10).mean()
3.4 简单指数平滑法（一次）
复制代码
1
2statsmodels.tsa.holtwinters.SimpleExpSmoothing
3.5 Holt方法（二次）
复制代码
1
2statsmodels.tsa.holtwinters.Holt
3.6 Holt-Winters方法（三次）
复制代码
1
2statsmodels.tsa.holtwinters.ExponentialSmoothing
3.7 AR模型
复制代码
1
2statsmodels.tsa.ar_model.AR
3.8 MA模型
复制代码
1
2在这里插入代码片
3.9 ARMA模型
复制代码
1
2statsmodels.tsa.arima_model.ARMA
3.10 ARIMA模型
复制代码
1
2statsmodels.tsa.arima_model.ARIMA
四、预测置信区间
4.1 AR、ARMA、ARMA模型
复制代码
1
2
3
4model = ARIMA(train, order=(5,1,1)) model_fit = model.fit(disp=False) forecast, stderr, conf = model_fit.forecast(5)
四、模型评价
普通：MAPE,RMSE等；
独有：AIC,BIC,HQIC——AR，ARMA，ARIMA
最后
以上就是潇洒饼干最近收集整理的关于时间序列各步骤方法汇总一、特征探索二、特征处理方法三、预测方法四、预测置信区间四、模型评价的全部内容，更多相关时间序列各步骤方法汇总一、特征探索二、特征处理方法三、预测方法四、预测置信区间四、模型评价内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复