Task03 时间序列模型

本文详细介绍了时间序列预测模型,重点讨论了时间序列的四种基本模式和分解方式,如加法结构和乘法结构,以及STL分解。此外,还深入探讨了ARIMA模型的预处理流程,包括单位根检验、差分操作和白噪声检验,以及ARIMA建模的步骤和模型选择准则。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 时间序列预测模型

1.1 时间序列分解

时间序列是指将同一 统计量的数值按其发生的时间先后顺序排列而成的数列,常用按时间顺序排列的一组随机变量𝑋1,𝑋2,⋯𝑋𝑡,⋯表示 一个随机事件的时间序列,简记为 {𝑋𝑡}
在这里插入图片描述

1.1.1 时间序列变化因素

时间序列的各种变化都可以归纳成四大类因素综合影响
• 长期趋势 (trend):会导致序列出现明显的长期趋势
• 循环 波动 (circle):会导致序列呈现出周期性波动
• 季节性变化 (season):会导致序列呈现出和季节变化相关的稳定周期波动 .
• 随机波动 (immediate):纯随机,与时间无关
也称为时间序列的四种基本模式。

1.1.2 时间序列分解方式

(1)可采用加法结构或乘分解时间序列 可采用加法结构或乘法结构分解时间序列

• (1)加法模型:
	𝒙𝒕=𝑻𝒕+𝑪𝒕+𝑺𝒕+𝑰𝒕
• (2)乘法模型 :
	𝒙𝒕=𝑻𝒕×𝑪𝒕×𝑺𝒕×𝑰𝒕

• 𝑻𝒕—趋势项
• 𝑪𝒕—周期项
• 𝑺𝒕—季节项
• 𝑰𝒕—-随机项
或者混合分解方式
···
𝒙𝒕=𝑩𝒂𝒔𝒆×(𝑪𝒚𝒄𝒍𝒆𝒕+𝑹𝒆𝒔𝒊𝒅𝒂𝒖𝒍𝒕)
···
• Base —— 待预测时段均相同
• 𝐶𝑦𝑐𝑙𝑒𝑡—— t 时刻周期项(可采用周期因子获得)
• 𝑅𝑒𝑠𝑖𝑑𝑎𝑢𝑙𝑡—— t 时刻剔除周期项后剩余的残差
• 在真实问题中,趋势项常常不明显,可采用这种方式获得残差,利用天气等协变量对残差建模。
(2)STL (Seasonal and Trend decomposition using Loess )分解
是最常用的分解方式,将时间序列分解为周期项(季节) 𝑪𝒕+趋势项 𝑻𝒕+随机项 𝑰𝒕
在这里插入图片描述
可将时间序列分为三类:
• 没有趋势、也没有周期的序列(水平型时间序列)、
• 只有趋势、没有周期的序列(斜坡型时间序列;可分段)
• 有趋势、周期的序列(含趋势和周期的时间序列)
可采用指数平滑预测各项
• 水平型时间序列:简单指数平滑
• 斜坡型时间序列 :Holt两参数指平滑
• 含趋势和周期的 时间序列 :Holt -winters三

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值