- 博客(6)
- 收藏
- 关注
RSS订阅原创 ARIMA （自回归综合移动平均）模型讲解
ARIMA（自回归综合移动平均模型）是一种经典的时间序列预测方法，通过自回归（AR）、差分（I）和移动平均（MA）三部分建模。ARIMA(p, d, q) 中，p 表示自回归阶数，d 为差分阶数，q 为移动平均阶数。模型首先通过差分使数据平稳，再利用自回归和移动平均部分进行建模。参数选择依赖于平稳性检验（如ADF检验）和自相关图（ACF、PACF）。Python 中可通过 statsmodels 手动构建 ARIMA 模型，或使用 auto_arima 自动调参。ARIMA 适用于具有趋势和非平稳性的数据，
2025-05-16 19:47:33
648
原创 Holt线性趋势预测（二次指数平滑）算法讲解
前面我已经分别讲过了简单移动平均（SMA）和指数平滑（ES）这两种基础的平滑算法。今天我们继续介绍时间序列预测的算法，这次要介绍的是Holt 线性趋势预测算法（也称为二次指数平滑），它是指数平滑的扩展版本，更适用于存在明显趋势的数据上。这是我在尝试建模时间序列趋势时接触到的第一个“能理解趋势结构”的方法。相较于 ES 只能处理平稳数据，Holt 方法额外引入了“趋势项”的建模思路，让我们可以更准确地捕捉数据的变化趋势。接下来我们就从“什么是 Holt 线性趋势法”开始，一步步了解它的核心思想与应用方式。
2025-05-04 14:41:03
989
2
原创 Simple Moving Average (简单移动平均)讲解
Simple Moving Average（SMA，简单移动平均）是一种基础的时间序列平滑方法，通过计算一段时间内数据的平均值，来反映当前的趋势。它的思想非常直观：把最近一段时间的数据加总后取平均，平滑掉短期波动，揭示长期趋势。例如，对于一组每日销售数据，若我们希望用最近3天的数据作为今天的预测值，就可以用 SMA。与指数平滑（Exponential Smoothing）相比，SMA 权重均匀，对突变不够敏感，但更加稳定、计算也更简单。SMA 是最经典也最容易上手的平滑预测方法之一；
2025-05-01 10:57:13
975
原创 Exponential Smoothing (指数平滑)算法简单讲解
Exponential Smoothing（指数平滑）是一种常用的时间序列预测方法，通过让最新数据权重更高历史数据权重递减，实现数据平滑和未来预测。在现实世界中，数据往往存在随机波动。如果直接用原始数据预测，容易受到噪声影响。因此，我们需要“平滑”数据，提取主要趋势，而指数平滑就是一种简单而有效的方法。相比传统的简单移动平均（Simple Moving Average），指数平滑不需要固定窗口，且可以实时更新，对新数据更加敏感。Exponential Smoothing（指数平滑）
2025-04-27 12:55:37
862
原创 数据结构——邻接表表示图（C语言）
概念：**邻接表邻接表，存储方法跟树的孩子链表示法相类似，是一种顺序分配和链式分配相结合的存储结构。如这个表头结点所对应的顶点存在相邻顶点，则把相邻顶点依次存放于表头结点所指向的单向链表中。邻接表是图的一种最主要存储结构,用来描述图上的每一个点。对图的每个顶点建立一个容器（n个顶点建立n个容器），第i个容器中的结点包含顶点Vi的所有邻接顶点。实际上我们常用的邻接矩阵就是一种未离散化每个点的...
2020-04-30 22:50:17
1026
原创 数据结构——邻接矩阵表示图（c语言）
**关于图的实现方法，除了邻接矩阵还有邻接表等方法，会在后续博客中写出邻接矩阵（即数组）来实现图难度不高，步骤分析如下：第一步：建立邻接矩阵struct GNode{ int Nv;//图的顶点数 int Ne;//图的边数 int G[MaxVertexNum][MaxVertexNum];//二维数组}; typedef struct GNode *PtrToGNode;/...
2020-04-23 16:46:15
2468
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人