基于ARMA差分还原的客流量时间序列预测 完整代码数据

时间序列分析：

时间序列定义为在一定时间间隔内按时间顺序测量的某个数量。 从最广泛的形式来说，时间序列分析是关于推断过去一系列数据点发生了什么，并试图预测未来会发生什么。

1.随机性：由许多不确定因素引起的序列变化，当数据没有明显的模式特征的话，我们认为它是平稳的，Y值在一个范围内随着时间上下浮动

2.长期趋势变化：受某种基本因素的影响，数据依时间变化时表现为一种确定倾向，它按某种规则稳步地增长或下降。使用的分析方法有：移动平均法、指数平滑法、模型拟和法等

3.季节性周期变化：受季节更替等因素影响，序列依一固定周期规则性的变化，又称商业循环。采用的方法：季节指数

4.循环变化：周期不固定的波动变化

采用什么算法？

判断依据

如果自相关是拖尾，偏相关截尾，则用 AR 算法

如果自相关截尾，偏相关拖尾，则用 MA 算法

如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。

基本步骤

平稳序列

• 获取时间序列
• 时间序列绘图
• 检验序列平稳性
• 绘制ACF PACF
• ADF检验
• 模型预测
• 预测值还原
• 预测误差检验

非平稳序列

• 1.获取时间序列
• 2.时间序列绘图
• 3.检验序列平稳性
• 4.绘制ACF PACF
• 5.ADF检验
• 6.序列差分运算
• 7.检验ACF PACF 值
• 8.ADF检验（重复6-8步骤，做n阶差分，直至序列平稳）
• 9.模型预测
• 10.预测值还原
• 11.预测误差检验

附我们的项目：

https://download.youkuaiyun.com/download/qq_38735017/87630367