时间序列预测性能度量是对进行预测的预测模型技能和能力的总结。有许多不同的性能度量可供选择。了解使用哪种度量以及如何解释结果可能会令人困惑。在本教程中，您将了解性能度量 […]

时间序列分解是将一个序列视为水平、趋势、季节性和噪声分量的组合。分解为思考时间序列提供了一个有用的抽象模型，并有助于更好地理解时间序列分析和预测中的问题。在本教程中，您将了解时间序列分解以及如何自动拆分 […]

选择时间序列预测模型只是开始。在实践中使用选定的模型可能会带来挑战，包括数据转换和将模型参数存储在磁盘上。在本教程中，您将学习如何完成时间序列预测模型的构建，并使用它在 Python 中进行预测。完成本教程后 […]

数据变换旨在去除时间序列预测中的噪声并增强信号。对于给定的预测问题，很难选择一个好的，甚至最佳的变换。有许多变换可供选择，每种变换都有不同的数学直觉。在本教程中，您将了解如何 […]

您不必按原样建模您的时间序列预测问题。有许多方法可以重构您的预测问题，这可以简化预测问题并可能暴露更多或不同的信息供建模。重构最终可以产生更好和/或更稳健的预测。在本教程中，您将了解 […]

您如何知道您的时间序列问题是否可预测？这在时间序列预测中是一个难题。有一个叫做随机游走的工具可以帮助您理解时间序列预测问题的可预测性。在本教程中，您将了解 Python 中的随机游走及其属性。 […]

时间序列分析和预测的 ARIMA 模型配置可能很棘手。有 3 个参数需要通过查看诊断图和使用 40 年前的启发式规则来反复试错来估计。我们可以通过使用网格 […] 自动化评估大量 ARIMA 模型超参数的过程。

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。除了其发展之外，作者 Box 和 Jenkins 还提出了一种用于识别、估计和检查特定时间序列数据集的模型的过程。这个过程现在被称为 Box-Jenkins […]

时间序列预测的残差误差提供了另一来源信息，我们可以对其进行建模。残差误差本身构成了一个可能具有时间结构的时间序列。对此结构进行简单的自回归模型可以用于预测预测误差，进而用于纠正预测。这 […]