作者归档 | Jason Brownlee

时间序列预测通常只讨论需要单步预测的情况。那么当你需要预测未来多个时间步时该怎么办？预测未来多个时间步被称为多步时间序列预测。你可以使用四种主要策略来进行多步预测。在这篇文章中，你将 [...]

白噪声是时间序列预测中的一个重要概念。如果一个时间序列是白噪声，那么它就是一串随机数，无法预测。如果预测误差序列不是白噪声，则表明预测模型可以改进。在本教程中，你将发现白 [...]

Python 生态系统正在不断发展，并可能成为应用机器学习的主导平台。采用 Python 进行时间序列预测的主要理由是，它是一种通用的编程语言，可用于研发和生产。在本文中，您将了解 Python 时间序列生态系统 [...]

机器学习方法为时间序列预测问题提供了很多帮助。一个难点在于，大多数方法都在简单的单变量时间序列预测问题上进行了演示。在本文中，您将了解一系列具有挑战性的时间序列预测问题。这些问题是经典线性统计方法无法充分解决的问题，并且 [...]

自回归积分移动平均模型（ARIMA）是时间序列分析和预测的一种流行线性模型。statsmodels 库提供了 ARIMA 的 Python 实现。ARIMA 模型可以保存到文件，供以后在新数据上进行预测。当前版本中存在一个错误 [...]

差分是一种流行且广泛使用的时间序列数据转换方法。在本教程中，您将学习如何使用 Python 将差分运算应用于您的时间序列数据。完成本教程后，您将了解：关于差分运算，包括滞后差分和差分阶数的配置。如何 [...]

时间序列预测是一个过程，而获得良好预测的唯一方法就是实践这个过程。在本教程中，您将学习如何使用 Python 预测法国香槟的月销量。完成本教程将为您提供一个框架，包含用于处理 [...]

时间序列预测是一个过程，而获得良好预测的唯一方法就是实践这个过程。在本教程中，您将学习如何预测巴尔的摩的年用水量。完成本教程将为您提供一个框架，包含用于处理 [...]