时间序列笔记（七）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 404平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

原创最新推荐文章于 2026-03-16 01:27:32 发布 404 阅读 AI 写同款· GEO 优化 ›

与小猪蹄子学习时间序列分析有感关于非平稳时间序列分析学习有感通常来说，很多给定的数据并不都是平稳的，比如具有长期趋势，或者长期趋势和季节效应兼有。这些因素影响着序列的变化。本次博客的数据来自与小猪蹄子的分享——1952年至1988年的某市农业生产指数。 Step1：获得观察值序列，作出时序图 library(tseries) library(forecast) x<-read.csv(file.choose()) ts... 阅读详情

平稳序列建模

本章主要讲：实际例子当中怎样选择ARMA模型，并给出具体对应例子。同时介绍了计算ARMA模型序数过程中选用的估计方法，矩估计，最大似然拟合，最小二乘在时间序列应用。

理论部分有推倒，具体计算是调用现成R语言包（还没讲到具体代码）

收录于

当前文章被以下社区和专栏收录：

学习笔记（七）：FFT零填充的应用及如何用FFT bin衡量时间序列的周期性代码没有技术含量所以懒得放。 PS：麻了，相关概念好难找，Farsense给的参考资料是一整本书。无能ing，该读书了555 目录1. 背景2. FFT 相关概念及零填充的意义3. FFT bin 1. 背景在Farsense读书笔记5.2.2节中定义有短期呼吸噪声比(BNR，short term breathing-to-noise ratio)，物理意义为呼吸能量与总能量的比，可用于衡量时间序列的周期性。在论文2018《Extracting Multi-Person Respiratio 阅读详情

相关推荐

eviews时间序列分析课堂笔记

课堂须知： 1、时间序列的平稳性作业正式版已经发布，请在3月3日之前完成。设置了一次重做的机会，取最高分为系统记录分。 2、下周会将单位根检验。涉及到Eviews软件操作。请在平台资料中下载软件并安装。我会在理论课时讲解操作细节听课（看课件）时多加留意。实验课只给出数据和实验指导，不再另外讲授，请大家知晓。 3、实验报告的相关通知请见实验课。考勤10%+实验30%+课堂表现10%+期末50%...

yver-sun 8880

时间序列 R 读书笔记 Forecasting: principles and practice 06 回归概述

包含一元回归和多元回归的相关基础内容，其中残差诊断部分值得学习

bea_tree的博客 6084

【转】时间序列分析——基于R，王燕

《时间序列分析——基于R》王燕，读书笔记笔记：一、检验： 1、平稳性检验：图检验方法：时序图检验：该序列有明显的趋势性或周期性，则不是平稳序列自相关图检验：（acf函数）平稳序列具有短期相关性，即随着延迟期数k的增加，平稳序列的自相关系数ρ会很快地衰减向0（指数级衰减），反之非平稳序列衰减速度会比较慢构...

weixin_30780221的博客 6618

时间序列(七): 高冷贵族: 隐马尔可夫模型

目录高冷贵族: 隐马尔可夫模型引言例子描述模型基本概念* 定义基本假设基本问题前向,后向算法前向算法后向算法举例计算 ...

weixin_30546933的博客 492

时间序列及用spss做时间序列分析

使用教材：(很不错的书) 做数据分析时，很多的数据都会有时间的趋势，如销售，预测也是经常会有的工作，很多时候和时间有关的周期性变化(周，月，季度，季节性变化等)都会想到使用时间序列来做预测。做时间序列分析，以前我自己是从网上找到别人的例子，跟着例子做，但是对其中的原理，模型的调整，得到结果的解读则不甚理解，迷迷糊糊就交差了。幸好没有被深究。 1. 时间序列的概念时...

vk的读书笔记 1万+

时间序列模型学习笔记(一)

时间序列模型学习笔记(一)1.时间序列的预处理时间序列的预处理是对一个观察值序列的纯随机性和平稳性进行检验，根据检验结果可以将此序列分为不同的类型，纯随机序列也称为白噪声序列，是没有任何信息可以提取的平稳随机序列。通过预处理将序列分成不同类型之后我们就可以根据各种序列类型的特点使用不同的模型建模，常见的平稳时间序列建模模型为ARMA(可以分为AR、MA和ARMA三类)，此模型是使用线性模型来拟合平稳

weq27的博客 4786

大数据分析笔记 (7) - 时间序列分析(Time Series Analysis)

大数据分析笔记 - 时间序列分析总览Box-Jenkins方法ARIMA (自回归求和移动平均模型)自相关函数 (ACF)自回归模型部分自相关函数 (Partial autocorrelation function - PACF)移动平均模型 (Moving Average Models - MA)自回归移动平均模型 (ARMA - Autoregression Moving Average Model)ARIMA Model 总览 时间序列分析试图模型化一段时间内观测到的数据的底层结构。一个时间序列 (表

weixin_43861350的博客 1万+

数学建模学习笔记（十）——时间序列模型

文章目录一、时间序列综述二、时间序列数据以及基本概念三、时间序列分解四、指数平滑模型五、一元时间序列分析的模型六、AR\(p\)模型一、时间序列综述 时间序列是指某种现象的指标按照时间顺序排列而成的数值序列。本文主要介绍时间序列分析中常用的三种模型：季节分解、指数平滑方法以及 ARIMA 模型。二、时间序列数据以及基本概念 时间序列的数据 时间序列的数据类型主要是对同一对象在不同时间连续观察所得到的数据。例如：某个地方 24 小时内每隔一个小时的温度数据；二胎政策以来每年的人口数量…… 时间序列的基

striveAgain丶的博客 1万+

时间序列笔记（五）

数学推理/////////////////////////////////////////自相关序数与偏自相关序数在选择AR（p）模型上的使用具体例子：随着间隔期数的拉长，自协方差序数是递减的趋势，趋于零（称为拖尾性）自相关图，可以用来判断是否可以用AR模型拟合图上的条代表自相关大小

zhmjunjun的博客 586

时间序列学习笔记（一）

时间序列学习笔记记录（一）平稳、自协方差函数和自相关函数平稳性对于时间序列X1，X2,…,来说如果是严平稳的，则满足以下条件对于任何t1,…,tk，滞后期τ和k，Xt1,…,Xt2的联合分布与Xt1+τ,…,Xtk+τ的联合分布相同。们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计...

QY_yuan的博客 1607

时间序列模型学习笔记(二)

时间序列模型学习笔记(二)3.非平稳时间序列3.1 非平稳时间序列的差分变换非平稳时间序列可以建立的模型有ARIMA以及残差自回归模型等等，这里主要讨论ARIMA。差分运算：相距k期的两个序列之间的减法称为k阶差分运算。对于非平稳时间序列，我们可以通过相应的变换将其变为平稳序列。差分是一个主要的手段，一个线性趋势的非平稳序列可以使用d阶差分运算，化为平稳时间序列，而一个指数趋势的非平稳序列可以先

weq27的博客 8737

JFreeChart笔记 (七) 时间序列图：值标记线

在一些比如说产量、销售额等的图表中常常会涉及到一个预期值或者目标值，这种值标记线如何在图表中画出来呢？这一节将教给大家值标记线的画法。先看效果图：实现代码如下，关键部分已标出： package lw.release.s1TimeSeries; import java.awt.Color; import java.awt.Dimension; im...

lw2078的专栏 528

时间序列学习笔记-1

对于任何数据分析工作而言，其入手的第一步就是尽可能将数据可视化。图示化数据可以清晰地展现数据的特征，包括数据的形态、异常值、随时间变化情况以及变量间的相互关系。我们在建模和预测时也应尽可能地将图中显示的特征纳入考虑。正如数据类型决定使用什么预测方法一样，数据类型也决定了使用什么图形来展示数据。本笔记将介绍一些常见的时间序列图示工具，包括时间序列图，自相关图，季节图，散点图等。这些工具可以帮助我们快速了解序列的主要特征，随时间的变动模式。对于时间序列，通常的样本均值，样本方差等等这些常见的描述性统计量意义不

Mushiyanu的博客 1746

时间序列模型（七）： 时间序列建模的基本步骤

时间序列建模的基本步骤 时间序列建模的基本步骤习题 时间序列经典教材推荐 时间序列模型（一）：模型概述 时间序列模型（二）：移动平均法 时间序列模型（三）：指数平滑法 时间序列模型（四）：差分指数平滑法、自适应滤波法v 时间序列模型（五）：趋势外推预测方法 时间序列模型（六）：平稳时间序列模型：自回归AR 、移动平均 MA 、ARMA 模型 时间序列模...

冷月无声的博客 6万+

时间序列学习笔记-2-test

kkk。

Mushiyanu的博客 1235

Revit二次开发之双事件：空闲事件与DocumentChanged事件

对以下文章所展示的代码进行了修改，当前展示的代码可直接复制使用。由于本人初学，下列语言为个人理解，如有错误请指正。《引用1》中：使用模态对话框，或者尽量保证事件在ExternalCommand的Execute函数或者ExternalApplication的OnStartup函数里面注册。如果一定要使用非模态对话框，那么请使用ExternalEvent事件的Raise函数，强迫...

一个Revit二次开发的实习生 6147

用python做时间序列预测七：时间序列复杂度量化

本文介绍一种方法,帮助我们了解一个时间序列是否可以预测，或者说了解可预测能力有多强。 Sample Entropy （样本熵） Sample Entropy是Approximate Entropy(近似熵)的改进，用于评价波形前后部分之间的混乱程度，熵越大，乱七八糟的波动越多，越不适合预测；熵越小，乱七八糟的波动越小，预测能力越强。具体思想和实现如下：思想 Sample ...

程序员一一涤生 1695

Meta开源Ego-Exo4D数据集：如何用1400小时多模态视频训练你的AI模型

Meta开源的Ego-Exo4D数据集包含1400小时多模态视频，涵盖第一人称和第三人称视角、眼动追踪、IMU传感器等多种模态，是AI模型训练的宝贵资源。本文详细介绍了从数据集下载、预处理到模型训练的全流程，帮助研究者高效利用这一多模态数据集进行AI模型开发。

weixin_29159441的博客 342

【时序】应用于时间序列的 Transformer 综述论文笔记

论文作者：阿里巴巴达摩院，论文年份：2022。

全性保真，不以物累形。 1万+

【DMA】认识 DMA 及其工作流程（与传统CPU存取方式的区别）

challenglistic的博客 5万+

Aloudata Agent ：基于 NoETL 明细语义层的分析决策智能体

这是包括我们在内的一些厂商探索的一个新方向，这种方式先由大模型将自然语言转化为对指标语义层的查询请求（MQL，Metrics Query Language），再由指标平台将指标和维度的查询与计算逻辑转化为准确的 SQL 查询语句。用户查询经大模型语义解析后，将其转换为指标、维度及筛选条件的组合表达，并生成面向指标平台的 MQL，Aloudata CAN 指标平台的语义引擎将 MQL 转换为准确和可执行的查询 SQL，语义引擎内置函数体系与 SQL 解析器，确保语义转换的 100% 准确性。

Aloudata的博客 1663

上一篇：时间序列笔记（六）

下一篇： R基础函数的编写

eviews时间序列分析课堂笔记

yver-sun

12-12

8880