归档 | 时间序列

数据变换旨在消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，选择一个好的、甚至是最佳的变换可能非常困难。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，您将发现如何 […]

您不必按原样对时间序列预测问题进行建模。有许多方法可以重新构建您的预测问题，这可以简化预测问题，并可能暴露更多或不同的信息进行建模。重构最终可以带来更好和/或更稳健的预测。在本教程中，您将发现 […]

您如何知道您的时间序列问题是否可以预测？对于时间序列预测来说，这是一个困难的问题。有一个名为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，您将使用 Python 了解随机游走及其特性。 […]

用于时间序列分析和预测的 ARIMA 模型可能难以配置。有 3 个参数需要通过试错法，结合查看诊断图和使用 40 年前的启发式规则来估计。我们可以通过网格搜索来自动化评估大量 ARIMA 模型超参数的过程 […]

自回归积分滑动平均模型（ARIMA）是时间序列预测和分析的标准统计模型。与其发展并行，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模型的流程。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个可以建模的信息来源。残差误差本身构成了一个可能具有时间结构的时间序列。可以使用这个结构的一个简单的自回归模型来预测预测误差，进而用于修正预测。这个 […]

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 代表自回归积分滑动平均，是时间序列预测的基石。它是一种统计方法，由于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。仔细分析您的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中的残差误差。完成本 […]

使用 Python 进行时间序列数据可视化的 6 种方法 时间序列本身就很适合可视化。随时间推移的观测值的折线图很受欢迎，但您还可以使用一系列其他图来更深入地了解您的问题。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，可以在各种时间序列问题上实现准确的预测。在本教程中，您将发现如何 […]