时间序列算法总结：单变量模型

原创

已于 2022-11-15 22:05:34 修改 · 2.5k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #python #人工智能 #时序预测

于 2022-11-15 22:03:41 首次发布

本文概述了时间序列分析中的关键概念，包括趋势、季节性和不规则变动，并介绍了单变量模型如移动平均（MA）、简单移动平均（SMA）、加权移动平均（WMA）、自回归（AR）及自回归移动平均（ARMA）模型。还讨论了如何通过差分和单位根检验法将非平稳序列转化为平稳序列。内容适用于金融时间序列分析和预测。

🌮开发平台：jupyter lab

🍖运行环境：python3、TensorFlow2.x

时间序列分解：在通常的情况下，一个时序序列包含3中影响因素。
（1）长期趋势（Trend）：指在一个相当长的时间内表现为一种近似值先的持续向上、向下或者平均的趋势，例如：我国的国民总值；
（2）季节变动（Season）：值时间序列数据受季节变化影响所形成的一种长度和幅度固定的短期周期波动（这里的“季节”是指周期，不限于自然季节，还包括周、月、年等，例如冷饮、羽绒服的季节性波动，某写字楼的人流量在一周之内的波动等；）；
（3）不规则变动（Irregular）：受偶然因素的影响所形成的不规则波动，在时间序列中无法预计这种波动，例如股票市场的受利好或者利空信息的影响，使得股票的价格产生波动；
-------------------------------------------------------------------------------------------- 总结 --------------------------------------------------------------------------------------
１.时间序列算法总结：单变量模型（后续有机会会进行详细的补充）
２.时间序列算法总结：多变量模型