自回归积分滑动平均模型，或称ARIMA模型，是时间序列分析和预测的一种流行的线性模型。statsmodels库提供了一个ARIMA的Python实现。ARIMA模型可以保存到文件中，以便日后用于新数据的预测。当前版本有一个bug[...]

差分是时间序列中一种流行且广泛使用的数据转换方法。在本教程中，您将学习如何将差分操作应用于您的时间序列数据（使用Python）。完成本教程后，您将了解：关于差分操作，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练习这个过程。在本教程中，您将学习如何使用Python预测法国香槟的月度销量。通过学习本教程，您将获得一个预测步骤的框架和工具[...]

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练习这个过程。在本教程中，您将学习如何使用Python预测巴尔的摩的年度用水量。通过学习本教程，您将获得一个预测步骤的框架和工具[...]

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练习这个过程。在本教程中，您将学习如何使用Python预测波士顿月度武装抢劫的数量。通过学习本教程，您将获得一个预测步骤的框架和工具[...]

时间序列预测模型既可以进行预测，也可以为预测提供预测区间。预测区间为实际观测值提供了上限和下限预期。这些对于评估预测的实际可能结果范围以及更好地理解模型的技能非常有用。在本教程中[...]

自回归积分滑动平均模型或ARIMA模型对于初学者来说可能有些令人生畏。理解该方法的一个好方法是使用训练好的模型手动进行预测。这表明ARIMA本质上是一个线性回归模型。使用拟合好的ARIMA模型进行手动预测[...]

自相关和偏自相关图在时间序列分析和预测中被大量使用。这些图可以图形化地总结时间序列中当前观测值与先前时间步的观测值之间的关系强度。自相关与偏自相关之间的区别对时间序列初学者来说可能难以理解和混淆[...]

时间序列预测过程是一系列步骤或一种方法，它将您从定义问题引导到获得时间序列预测模型或一组预测。在这篇文章中，您将发现可用于指导您完成预测的时间序列预测过程[...]