作者归档 | Jason Brownlee

您如何知道您的时间序列问题是否可预测？这是一个在时间序列预测中难以回答的问题。有一个名为随机游走的工具可以帮助您了解时间序列预测问题的可预测性。在本教程中，您将使用 Python 发现随机游走及其属性。 […]

用于时间序列分析和预测的 ARIMA 模型可能配置起来很棘手。有 3 个参数需要通过反复试错来估计，方法是查看诊断图并使用 40 年前的启发式规则。我们可以使用网格搜索来自动化评估 ARIMA 模型大量超参数的过程 […]

自回归综合移动平均模型，简称 ARIMA，是时间序列预测和分析的标准统计模型。随着其发展，作者 Box 和 Jenkins 还提出了一个针对特定时间序列数据集识别、估计和检查模型的过程。这个过程现在被称为 Box-Jenkins […]

时间序列预测中的残差误差提供了另一个可供建模的信息来源。残差误差本身构成了一个具有时间结构的时间序列。该结构的一个简单自回归模型可用于预测预测误差，进而用于校正预测。这种 […]

ARIMA 模型是时间序列预测中一种流行且广泛使用的统计方法。ARIMA 代表自回归综合移动平均，是时间序列预测的基石。它是一种统计方法，因其在处理时间序列数据中存在的各种标准时间结构方面的有效性而获得了极大的普及。 […]

时间序列回归问题中的预测误差称为残差或残差误差。仔细探索时间序列预测问题中的残差误差可以告诉您很多关于您的预测模型的信息，甚至可以建议改进。在本教程中，您将学习如何可视化时间序列预测的残差误差。完成此 […]

使用 Python 绘制时间序列数据的 6 种方法 时间序列本身就非常适合可视化。观察随时间变化的折线图很受欢迎，但您还可以使用一系列其他图表来更深入地了解您的问题。您对数据了解得越多，您就越有可能 […]

自回归是时间序列模型，它使用前一时间步的观察结果作为回归方程的输入，以预测下一时间步的值。这是一个非常简单的想法，可以在一系列时间序列问题中产生准确的预测。在本教程中，您将了解如何 […]

时间序列与更传统的分类和回归预测建模问题不同。时间结构为观测数据增加了顺序。这种强加的顺序意味着需要专门处理观测一致性方面的假设。例如，在建模时，存在观测的汇总统计量是一致的假设。 […]