ARIMA 模型是一种流行且广泛使用的时间序列预测统计方法。ARIMA 代表自回归积分移动平均模型，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功效而广受欢迎。[...]

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有关预测模型的大量信息，甚至可以建议改进。在本教程中，您将了解如何可视化时间序列预测的残差误差。完成本教程后 [...]

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。随时间变化的观测值折线图很受欢迎，但您还可以使用其他一系列图表来更多地了解您的问题。您对数据的了解越多，您就越有可能 [...]

自回归是一种时间序列模型，它使用先前时间步的观测值作为回归方程的输入来预测下一个时间步的值。这是一个非常简单的想法，可以在一系列时间序列问题中实现准确的预测。在本教程中，您将了解如何 [...]

时间序列与传统的分类和回归预测建模问题不同。时间结构为观测值增加了顺序。这种强制的顺序意味着需要专门处理关于观测值一致性的重要假设。例如，在建模时，假设观测值的汇总统计数据是一致的。[...]

移动平均平滑是时间序列预测中一种简单有效的方法。它可以用于数据准备、特征工程，甚至可以直接用于进行预测。在本教程中，您将了解如何使用 Python 中的移动平均平滑技术进行时间序列预测。完成本教程后，您将了解：移动 [...]

在任何时间序列预测问题中，建立基线都至关重要。性能基线可以帮助您了解其他所有模型在您的问题上实际表现如何。在本教程中，您将了解如何开发一个持久性预测，您可以使用它来计算性能的基线水平 [...]

时间序列数据集可能包含季节性成分。这是一个随时间重复的周期，例如每月或每年。这种重复的周期可能会模糊我们希望在预测中建模的信号，反过来又可能为我们的预测模型提供强烈的信号。在本教程中，您将了解如何 [...]

我们的时间序列数据集可能包含趋势。趋势是序列随时间持续的增加或减少。识别、建模甚至移除时间序列数据集中的趋势信息可能会带来好处。在本教程中，您将了解如何在 [...] 中对时间序列数据进行建模和移除趋势信息。

k 折交叉验证不适用于时间序列数据及其替代技术。时间序列预测的目标是做出准确的未来预测。我们在机器学习中依赖的高效方法，例如使用训练-测试拆分和 k 折交叉验证，不起作用 [...]