|
在時間序列問題上，機器學習被廣泛應用于分類和預測問題。當有預測模型來預測未知變量時，在時間充當獨立變量和目標因變量的情況下，時間序列預測就出現(xiàn)了。 預測值可以是潛在雇員的工資或銀行賬戶持有人的信用評分。任何正式引入統(tǒng)計數(shù)據(jù)的數(shù)據(jù)科學都會遇到置信區(qū)間，這是某個模型確定性的衡量標準。 因此，預測一段時間內(nèi)某些數(shù)據(jù)的價值需要特定的技術，并且需要多年的發(fā)展。 由于每種都有其特殊用途，必須注意為特定應用選擇正確的技術。預測人員在技術選擇中發(fā)揮作用，他們越了解預測可能性的范圍，公司的預測工作就越有可能取得成果。 其方法的選擇取決于預測的背景、歷史數(shù)據(jù)的相關性和可用性、所需的準確度、預測的時間段、對企業(yè)的預測成本以及分析所需的時間。 影響預測的因素 · 增加或減少趨勢 · 季節(jié)性 · 數(shù)據(jù)集的大小 時間序列的組成部分與數(shù)據(jù)本身一樣復雜。隨著時間的增加，獲得的數(shù)據(jù)也會增加。有時候更多的數(shù)據(jù)并不意味著更多的信息，但是更大的樣本避免了由于隨機采樣而產(chǎn)生的誤差。 因此，對于每個應用程序，使用的技術都會發(fā)生變化。 來源：數(shù)據(jù)科學博客 在本文中，我們列出了最廣泛使用的時間序列預測方法，只需一行代碼就可以在Python中使用它們： 1. Autoregression（AR） AR方法在先前時間步驟中模擬為觀察的線性函數(shù)。 模型的表示法涉及指定模型p的順序作為AR函數(shù)的參數(shù)。 from statsmodel.tsa.ar_model import AR 2. Autoregressive Moving Average（ARMA） ARMA方法結合了自回歸（AR）模型和移動平均（MA）模型。 from statsmodel.tsa.arima_model import ARMA 3. Autoregressive Integrated Moving Average（ARIMA） ARIMA方法結合自回歸（AR）和移動平均（MA）模型以及序列的差分預處理步驟以使序列靜止，稱為積分。 from statsmodel.tsa.arima_model import ARIMA 4. Seasonal Autoregressive Integrated Moving-Average (SARIMA) SARIMA方法將序列中的下一步建模為先前時間步驟的差異觀測值、誤差、差異性季節(jié)觀測值和季節(jié)性誤差的線性函數(shù)。 它結合了ARIMA模型，能夠在季節(jié)性水平上執(zhí)行相同的自回歸、差分和移動平均建模。 from statsmodel.tsa.statespace.sarimax import SARIMAX 5. Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX) SARIMAX是SARIMA模型的擴展，還包括外生變量的建模。 SARIMAX方法還可用于使用外生變量對包含的模型進行建模，例如ARX，MAX，ARMAX和ARIMAX。 from statsmodel.tsa.statespace.sarimax import SARIMAX 6. Vector Autoregression (VAR) 向量自回歸方法使用AR模型。AR是多個并行時間序列的推廣。 from statsmodel.tsa.vector_ar.var_model import VAR 7. Vector Autoregression Moving-Average (VARMA) 這是ARMA對多個并行時間序列的推廣，例如，多變量時間序列。 from statsmodel.tsa.statespace.varmax import VARMAX 8. Vector Autoregression Moving-Average with Exogenous Regressors（VARMAX） VARMAX是VARMA模型的擴展，它還包括外生變量的建模。它是ARMAX方法的多變量版本。 9. Holt Winter’s Exponential Smoothing (HWES) HWES是在先前時間步驟的觀測的指數(shù)加權線性函數(shù)，將考慮趨勢和季節(jié)性因素。 from statsmodel.tsa.holtwinters import ExponentialSmoothing |
|
|
