Time Series 简明教程

Time Series - Parameter Calibration

Introduction

任何统计或机器学习模型都有一些参数,这些参数极大地影响对数据的建模方式。例如,ARIMA 具有 p、d、q 值。这些参数将被决定,使得实际值和建模值之间的误差最小。参数校准被称为模型拟合中最关键和最耗时的任务。因此,为我们选择最优参数非常重要。

Methods for Calibration of Parameters

有各种方式校准参数。本节将详细讨论其中一些。

Hit-and-try

一种常见的校准模型的方法是手动校准,你在其中首先可视化时间序列,直观地尝试一些参数值并反复更改它们,直到达到足够好的拟合。它要求对我们尝试的模型有一个很好的理解。对于 ARIMA 模型,手工校准是借助自相关图来进行“p”参数、偏自相关图来进行“q”参数和 ADF 测试来确认时间序列的平稳性和设定“d”参数。我们将在接下来的章节中详细讨论所有这些。

另一种校准模型的方法是通过网格搜索,其本质上意味着你尝试为所有可能的参数组合构建一个模型,并选择误差最小的那个。这非常耗时,因此当要校准的参数数量及其取值范围较少时才有用,因为这涉及多个嵌套的 for 循环。

Genetic Algorithm

遗传算法根据生物学原理工作,即好的解决方案最终会演化到最“最佳”的解决方案。它使用突变、交叉和选择的生物学操作来最终达到最佳解决方案。

为了获得更多知识,你可以阅读有关其他参数优化技术的资料,例如贝叶斯优化和粒子群优化。