Time Series 简明教程

Time Series - Modeling

Introduction

一个时间序列有如下 4 个组成部分：

  1. Level − 它是一个平均值，序列围绕它变化。

  2. Trend − 它是一个变量随着时间增长或减小的行为。

  3. Seasonality − 它是一个时间序列的周期性行为。

  4. Noise − 这是由于环境因素而添加到观测中的误差。

Time Series Modeling Techniques

为了捕捉这些成分，有许多流行的时间序列建模技术。本节对每种技术进行简要介绍，但我们将在即将到来的章节中详细讨论它们−

Naïve Methods

这些是简单的估计技术，例如给定的预测值等于时间相关变量的前一个值的平均值，或前一个实际值。它们用于与复杂建模技术进行比较。

Auto Regression

自回归将未来时期的值预测为前一个时期的值的函数。自回归的预测可能比朴素方法更适合数据，但它可能无法解释季节性。

ARIMA Model

自回归综合移动平均模型建模变量的值为前一个值和驻留时间序列前一个时间步长的残差误差的线性函数。但是，实际数据可能是非平稳的并且具有季节性，因此开发了 Seasonal-ARIMA 和 Fractional-ARIMA。ARIMA 在单变量时间序列上工作，为了处理多个变量引入了 VARIMA。

Exponential Smoothing

它将变量的值建模为前一个值的指数加权线性函数。这个统计模型也可以处理趋势和季节性。

LSTM

长短期记忆模型 (LSTM) 是一种循环神经网络，用于时间序列来解释长期依赖关系。它可以使用大量数据进行训练，以捕捉多变量时间序列中的趋势。

所述建模技术用于时间序列回归。在接下来的章节中，让我们一个一个地探讨所有这些。