时序数据预测-SARIMA篇
一、概念
1. 定义:SARIMA模型具有处理季节趋势的时间序列数据的特点。
2. 参数介绍:SARIMA(p, d, q) (P, D, Q)s ,分为两部分,非季节模型与参数p、d、q,季节性模型与参数P、D、Q,其中S是周期长度,P和Q在2以内,进行拟合时可以逐个拟合再进行评估挑选。
差分的目的:消除趋势性、周期性、季节性,使数据更平稳。
arima逐期差分:消除趋势性;
Sarima季节差分:消除周期性和季节性;
3. SARIMA原理:季节性整合自回归移动平均模型,将季节差分与ARIMA模型相结合的SARIMA模型用于具有周期性特征的时间序列数据建模。应用于包含趋势和季节性的单变量数据,SARIMA由趋势和季节要素组成的序列构成。
4. 适用情况:具有季节性、趋势性和周期性的平稳数据序列可以采用SARIMA(p,d,q)(P,D,Q)模型结构建立模型。首先对x数据序列进行季节性、趋势性检验。季节性检验通常采用时间序列趋势图来判断,若趋势图是以年为周期变动,则时间序列具有季节变动特征。趋势性检验是采用CensusX-12乘法方法对数据序列进行季节调整分解,获得季节调整后的趋势循环序列,再运用H-P滤波法对获得的趋势循环序列进行趋势波动与循环波动序列分离,分离出的趋势波动图可观察出序列的变化趋势。
二、模型建模步骤
- 观察时间序列的周期,确定周期长度S;
- 通过非季节差分和周期为x的季节差分保证时间序列的平稳性,确定d值;
- 通过ACF和PACF确定非季节性模型p、q值;
- 通过季节分解的序列图、ACF和PACF确定季节模型的P、D、Q值;
- 将选定的pdq和PDQ的可能值代入SARIMA模型;
- 根据AIC最小值和Q检验来选取最优模型。
注:
①SARIMA模型是针对平稳时间序列进行拟合预测的模型,综合考虑了时间序列的趋势、周期的变化以及随机误差干扰等因素,并对模型参数进行量化,可以较好的反应原始序列的趋势和变化情况。Holt-winters(指数平滑法之一)模型则是根据数据在时间线上距离的远近依次给予不同的权重,近期数据影响较大则赋予更大的权重,远期数据影响较小而被赋予较小的权重,适合预测随时间变化趋势单一的数据。
从模型机制来看,SARIMA模型相比Holt-winters模型适合短期预测随时间平稳并稳定变化的序列,相比之下,Holt-winters模型适用于预测具有单一变化趋势的模型。Holt-winters更适合数据突然明显上升的情形,而SARIMA在差分时会使数据平稳,丢失部分上升信息。
两种方法都是根据历史数据进行外推预测,无法预测因外界因素改变而导致数据的突然变化,此时需要根据实际情况加入模型修正因素,提高预测能力。
②季节性差分:消除季节影响。
三、例子
周期性时间序列可以作为ARIMA的扩展。首先需要去除周期性,去除的方式是在周期间隔上做一次ARIMA,此时可以得到一个非平稳/平稳非周期性的时间序列,然后在此基础之上再一次使用ARIMA进行分析。可以表示为:
ARIMA(p, d, q) × (P, D, Q)S ,其中各参数含义为:
P: 周期性自回归阶数.
D: 周期性差分阶数.
Q: 周期性移动平均阶数.
S: 周期时间间隔.
p,d,q的含义与上面的ARIMA里面含义相同。
举个例子:
对于周期为12的非平稳时间序列,那么ARIMA(3,1,0) x (2,1,0)12的含义为:
D=1意味着当前时刻t的值与过去一个周期时间点t-12的1阶差分,
P=2意味着当前时刻t的值是过去两个周期时间点t-12以及t-24的回归。
处理以后得到的时间序列再通过ARIMA(3,1,0)进行分析。
时序数据预测-SARIMA篇相关推荐
- 基于机器学习的时序数据预测方法
预测模型建模 时序数据的预测通常建模为利用历史数据值预测未来的数据走势. 简单的数学表示: x => S => x^' 其中: x = {x_1,x_2,-,x_t} 表示历史数据, S ...
- MATLAB-基于长短期记忆网络(LSTM)的SP500的股票价格预测 股价预测 matlab实战 数据分析 数据可视化 时序数据预测 变种RNN 股票预测
MATLAB-基于长短期记忆网络(LSTM)的SP500的股票价格预测 股价预测 matlab实战 数据分析 数据可视化 时序数据预测 变种RNN 股票预测 摘要 近些年,随着计算机技术的不断发展,神 ...
- 时序数据预测:ROCKET vs Time Series Forest vs TCN vs XGBoost
机器学习小项目:从NIFTY指数的当日股价预测股票收盘价格,对比各种模型在时序数据预测的效果 如果你像我一样涉足股票交易,你可能想知道如何在收盘时判断股票的走势--它会在收盘价上方收盘,还是不会?因为 ...
- 时序数据预测:LSTM
本文尝试应用长短期记忆(LSTM,Long Short-Term Memory)神经网络模型对月度时序数据进行预测,样本时序数据时间跨度2017年1月至今,同时对多个目标变量时序数据进行预测.本文主要 ...
- 时序数据预测-Arima模型篇
ARIMA模型详解 基本概念 ARIMA(p, d, q)预测模型 ARIMA差分整合移动平均自回归模型,用于时间序列数据分析与预测,相比ARMA模型在AR和MA之间多了差分步骤,目的是把非平稳序列转 ...
- 时序数据预测:Holt-Winters
本文尝试应用三次指数平滑法(Holt-Winters)对同时含有趋势和季节规律的月度时序数据进行预测,样本时序数据时间跨度2017年1月至今.对时序数据进行异常值判别并修正处理后,应用Holt-Win ...
- 一种基于多维时序数据预测综合判定的方法(内存告警)
很多情境下,我们都会遇到收集的多维度的时序性的数据,比如运维中的主机各项指标数据,网页中的各项埋点数据等等.通常情况下通过某一指标上的时序预测结果与真实值的比较来判断这一指标是否稳定,这个常用方法的缺 ...
- 【SVM时序预测】基于matlab鲸鱼算法优化支持向量机SVM时序数据预测【含Matlab源码 2250期】
⛄一.鲸鱼算法优化支持向量机SVM 1 鲸鱼优化算法 WOA是由Mirjalili和Lewis在2016年提出的一种较为新颖的元启发式群体智能优化算法,该算法模仿座头鲸的"螺旋气泡网&quo ...
- 智能优化与机器学习结合算法实现时序数据预测matlab代码清单
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.
最新文章
- 网络广告推广浅析网站中的关键词密度要如何控制呢?
- python3.5和pip3安装路径不匹配问题
- 转:eclipse Failed to load JavaHL Library.
- 封装axios的接口请求数据方法
- RavenDb中的Task异步应用.Net4
- 32位mips运算器logisim_大神教你制作一个简单的16位CPU
- UC浏览器电脑版怎么开启免费WiFi
- destroy意思中文翻译_destroy是什么意思_ destroy的翻译_音标_读音_用法_例句_爱词霸在线词典...
- oracle 如何添加数据文件,在Oracle数据库里插入excel文件数据的步骤
- Linux系统各个目录的一般作用
- WPF 实现控件间拖拽内容
- inode客户端连接成功上不了网_Inode客户端上网常见问题及解决办法
- 《阿里云服务器教程3》:手机移动端如何远程登录阿里云服务器ECS
- MSP430新建工程点灯
- 动态规划Dynamic programming笔记自用
- 微信小程序跳转公众号图文内容
- c语言致命错误解决,解决VC++编译报错error C2248的方案
- HDOJ 4239 - Decoding EDSAC Data 模拟
- 培养用户的数字化习惯
- 假如生活欺骗了你 (俄)普希金