归档 | 时间序列

在时间序列数据上使用机器学习方法需要特征工程。单变量时间序列数据集仅包含一系列观测值。这些必须转换为输入和输出特征才能使用监督学习算法。问题是，类型和数量的限制很少 […]

时间序列预测模型需要多少历史数据？这是一个具体问题，我们可以通过设计实验来研究。在本教程中，您将发现历史数据大小对 Python 中 ARIMA 预测模型技能的影响。具体来说，在本教程中，您将：加载一个标准 […]

在开始使用时间序列数据时，进行样本外预测可能会让人感到困惑。statsmodels Python API 提供了用于执行一步和多步样本外预测的函数。在本教程中，您将清除在 Python 中使用时间序列数据进行样本外预测时遇到的任何困惑。完成本教程后，您将了解：如何 […]

从开发者到时间序列预测员，只需 7 天。Python 是应用机器学习增长最快的平台之一。在这个迷你课程中，您将发现在 7 天内如何开始、构建准确的模型并自信地完成使用 Python 进行预测建模时间序列预测项目。这是一个重要且关键的帖子。 […]

时间序列预测通常仅在需要一步预测时进行讨论。那么，当您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称为多步时间序列预测。您可以用于多步预测的四种主要策略。在这篇文章中，您将 […]

白噪声是时间序列预测中的一个重要概念。如果时间序列是白噪声，则它是一系列随机数，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进行改进。在本教程中，您将发现白噪声 […]

Python 生态系统正在发展壮大，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原因是它是一种通用编程语言，您可以同时用于研发和生产。在这篇文章中，您将发现用于时间序列的 Python 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。一个困难是大多数方法都针对简单的单变量时间序列预测问题进行演示。在这篇文章中，您将发现一系列具有挑战性的时间序列预测问题。这些问题是经典的线性统计方法不足以解决的问题，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中，以便以后用于对新数据进行预测。当前版本中存在一个错误 […]

差分是时间序列的一种流行且广泛使用的数据变换。在本教程中，您将发现如何使用 Python 将差分操作应用于您的时间序列数据。完成本教程后，您将了解：关于差分操作，包括滞后差分和差分阶数的配置。如何 […]