时间序列常见模型介绍与实战(SPSS)
文章目录
- 时间序列预备知识
- 时间序列模型介绍
- 自回归模型
- 移动平均模型
- 自回归移动平均模型
- 差分自回归移动平均模型
- 季节模型
- 加法模型和乘法模型
时间序列预备知识
那么什么是时间序列呢,数学上是这么定义的:
设 TTT 是离散的时间集,∀t∈T,X(t)\forall t \in T ,X(t)∀t∈T,X(t) 是一随机变量,称X(t),t∈T\\{X(t),t\in T\\}X(t),t∈T 为时间序列。
简单来讲,时间序列就是按照时间次序观察到的数据序列,是不是很通俗易懂,哈哈哈。
X(t),t∈T\\{X(t),t\in T\\}X(t),t∈T 时间序列的分布 ,
既然我们假定 TTT 是离散的数据集,那它必然有分布函数啦,
- 一维分布:Ft(x)=P(X(t)≤x)F_{t}(x)=P(X(t)\le x)Ft(x)=P(X(t)≤x)
- 二维分布:Ft,s(x,y)=P(X(t)≤x,X(s)≤y)F_{t,s}(x,y)=P(X(t)\le x,X(s)\le y)Ft,s(x,y)=P(X(t)≤x,X(s)≤y)
- nnn 维分布:Ft1⋯tn(x1,⋯,xn)=P(X(t1)≤x1,⋯,X(tn)≤xn)F_{t_1 \cdots t_n}(x_1,\cdots,x_n)=P(X(t_1)\le x_1,\cdots,X(t_n)\le x_n)Ft1⋯tn(x1,⋯,xn)=P(X(t1)≤x1,⋯,X(tn)≤xn)
既然可以有多维随机变量,那我们称有限维分布函数为时间序列的有限维分布函数族,即:
⋃n=1∞Ft1⋯tn(x1,⋯,xn),t1,⋯,tn∈T\bigcup_{n=1}^{\infty } {F_{t_1 \cdots t_n}(x_1,\cdots,x_n),t_1,\cdots,t_n\in T \\} n=1⋃∞Ft1⋯tn(x1,⋯,xn),t1,⋯,tn∈T
并且有限维分布为正态分布的时间序列也为正态序列。
当然啦,要是数据集是连续的呢?这个好办,处理数据的时候离散化就好了。
时间序列他是有数据集的,那必然有均值和方差。
我们先记 μt\mu_tμt 为时间序列 X(t)\\{X(t)\\}X(t) 的均值函数,r(s,t)=Cov(X(s),X(t))r(s,t)=Cov(X(s),X(t))r(s,t)=Cov(X(s),X(t)) 为时间序列 X(t)\\{X(t)\\}X(t) 的自协方差函数,特别地,当 s=ts=ts=t 时,称 σt2=r(t,t)\sigma_t^2=r(t,t)σt2=r(t,t) 为时间序列 X(t)\\{X(t)\\}X(t) 的方差函数。
说到自协方差函数,那会不会有互协方差函数呢? 答案是有的~~~
在实际问题中,经常要把多个时间序列放在一起考量,设 X(s),s∈T,Y(t),t∈T∗\\{X(s),s\in T\\},\\{Y(t),t \in T^* \\}X(s),s∈T,Y(t),t∈T∗ 为两个时间序列,则有互协方差函数为 r∗(s,t)=Cov(X(s),Y(t))r^*(s,t)=Cov(X(s),Y(t))r∗(s,t)=Cov(X(s),Y(t)) ,特别地当 r∗(s,t)=0r^*(s,t)=0r∗(s,t)=0 ,说明 X(s)\\{X(s)\\}X(s)和Y(t)\\{Y(t)\\}Y(t) 这两个序列是不相关的。注意,这并不能说明他俩独立。
上面的描述了时间序列的数字特征,他们能反应时间序列中变量的某种关系的特征。
整理一下~~~
设时间序列为 X(t),t∈T\\{X(t),t\in T\\}X(t),t∈T ,有
μt=0r(s,t)={σ2,s=t,t、s∈T0,s≠t\begin{aligned} &\mu_t=0\\ &r(s,t)= \begin{cases} \sigma^2,s=t\\ &,t、s \in T\\ 0,s\ne t \end{cases} \end{aligned} μt=0r(s,t)=⎩⎪⎨⎪⎧σ2,s=t0,s=t,t、s∈T
我们将这个序列为白噪声序列。记 X(t)∼N(0,σ2)X(t) \sim N(0,\sigma^2)X(t)∼N(0,σ2)。
白噪声序列的定义:零均值同方差且两两不相关的序列。
关于时间序列的平稳性,有两种定义,宽平稳和严平稳。
下面给出两种平稳性的定义:
- 设时间序列为 X(t),t∈T\\{X(t),t\in T\\}X(t),t∈T ,若 ∀m,s∈T,t1<t2<⋯<tm;t1+s,t2+s,⋯<tm+s∈T\forall m,s \in T,t_1<t_2<\cdots<t_m;t_1+s,t_2+s,\cdots<t_m+s \in T∀m,s∈T,t1<t2<⋯<tm;t1+s,t2+s,⋯<tm+s∈T ,对应的 Xt1,Xt2,⋯,XtmX_{t_1},X_{t_2},\cdots,X_{t_m}Xt1,Xt2,⋯,Xtm 与 Xt1+s,Xt2+s,⋯,Xtm+sX_{t_1+s},X_{t_2+s},\cdots,X_{t_m+s}Xt1+s,Xt2+s,⋯,Xtm+s 的联合分布相同,则称 Xt\\{X_t\\}Xt 是严平稳的时间序列。
- 设时间序列为 X(t),t∈T\\{X(t),t\in T\\}X(t),t∈T ,如果 XtX_tXt 的二阶矩存在,且 E(Xt)=C(常数),r(s,t)=r(t−s,0),s,t∈TE(X_t)=C(常数),r(s,t)=r(t-s,0),s,t\in TE(Xt)=C(常数),r(s,t)=r(t−s,0),s,t∈T ,则称 Xt\\{X_t\\}Xt 是宽平稳的时间序列。注:t−st-st−s 为时间间隔。
简单来讲,严平稳要求随时间取值规律性保持不变,而宽平稳要求随时间平移一些数字特征保持不变,即与时间无关。
通常来说,不相关平稳序列通过线性运算得到的时间序列能保持平稳性,现在我们引进延迟算子的概念,延迟算子类似于一个时间指针,当前序列值乘以一个延迟算子,就相当于把当前序列值的时间向过去拨了一个时刻。
用 BBB 表示一个延迟算子,定义:
{B0Xt=XtB1Xt=Xt−1⋮BdXt=Xt−d\begin{aligned} \begin{cases} B^0X_t=X_t\\ B^1X_t=X_{t-1}\\ \vdots\\ B^dX_t=X_{t-d}\\ \end{cases} \end{aligned} ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧B0Xt=XtB1Xt=Xt−1⋮BdXt=Xt−d
一般有 Bg(t)=g(t−1)Bg(t)=g(t-1)Bg(t)=g(t−1)
设 g(t)=a0+a1t+⋯+aktpg(t)=a_0+a_1t+\cdots+a_kt^pg(t)=a0+a1t+⋯+aktp ,则有
g(B)=a0+a1B+⋯+akBpg(B)=a_0+a_1B+\cdots+a_kB^pg(B)=a0+a1B+⋯+akBp
我们称 g(B)g(B)g(B) 为延迟算子多项式,推广到级数,就有
∑i=0kaiXt−i=∑i=0kaiBiXt=g(B)Xt\sum_{i=0}^{k}a_iX_{t-i}=\sum_{i=0}^{k}a_iB^iX_t=g(B)X_ti=0∑kaiXt−i=i=0∑kaiBiXt=g(B)Xt
在拿到观测值序列时,分析的第一步都是要通过有效的手段提取序列中蕴涵的确定性信息, CramerCramerCramer 分解定理在理论上保证了适当阶数差分一定可以充分提取确定性信息。
于是我们就引进了差分运算这个概念。
用 BBB 表示一个一步延迟算子,称 Δ=1−B\Delta=1-BΔ=1−B 为差分算子。
现在假设有 nnn 次多项式 g(t)g(t)g(t) ,则 Δg(t)=(1−B)g(t)=g(t)−g(t−1)\Delta g(t)=(1-B)g(t)=g(t)-g(t-1)Δg(t)=(1−B)g(t)=g(t)−g(t−1) 也是 ttt 的多项式,他的次数为 t−1t-1t−1 ,也就是说,每差分一次,多项式的次数会降低一阶。
好了,现在我们已经把时间序列的预备知识铺垫完了,下面将介绍常见的几种模型^_^
时间序列模型介绍
自回归模型
自回归模型 ( AutoAutoAuto RegressiveRegressiveRegressive ModelModelModel ) ,简称 ARARAR 模型,是统计上一种处理时间序列的方法,用来描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测,自回归模型必须满足平稳性的要求。
设时间序列 Xt\\{X_t\\}Xt 适合 Xt=a0+a1Xt−1+⋯+apXt−p+εtX_t=a_0+a_1X_{t-1}+\cdots+a_pX_{t-p}+\varepsilon_tXt=a0+a1Xt−1+⋯+apXt−p+εt ,其中 εt\\{\varepsilon_t\\}εt 为白噪声序列,ai,i=1,2,⋯,pa_i,i=1,2,\cdots,pai,i=1,2,⋯,p 为实常数,并且 ∀s<t\forall s<t∀s<t 有 E(Xsεt)=0E(X_s\varepsilon_t)=0E(Xsεt)=0 ,我们称此模型为 ppp 阶自回归模型,记为 AR(p)AR(p)AR(p) 模型。
令 α(u)=1−a1u−a2u2−⋯−apup\alpha(u)=1-a_1u-a_2u^2-\cdots-a_pu^pα(u)=1−a1u−a2u2−⋯−apup ,
可将模型简化为 α(B)Xt=εt\alpha(B)X_t=\varepsilon_tα(B)Xt=εt 。
将 ARARAR 模型中心化,即让 E(Xt)=0E(X_t)=0E(Xt)=0 ,也就是让 a0=0a_0=0a0=0 。
我们先来看看 AR(1)AR(1)AR(1) 模型的解, 对应的序列为 Xt=aXt−1+εtX_t=aX_{t-1}+\varepsilon_tXt=aXt−1+εt ,则
Xt−aXt−1=εt⟹(1−aB)Xt=εt⟹Xt=11−aBεt=∑j=0∞(aB)jεt=∑j=0∞ajεt−j\begin{aligned} &X_t-aX_{t-1}=\varepsilon_t\\ \Longrightarrow&(1-aB)X_t=\varepsilon_t\\ \Longrightarrow&X_t=\frac{1}{1-aB}\varepsilon_t=\sum_{j=0}^{\infty}(aB)^j\varepsilon_t=\sum_{j=0}^{\infty}a^j\varepsilon_{t-j} \end{aligned} ⟹⟹Xt−aXt−1=εt(1−aB)Xt=εtXt=1−aB1εt=j=0∑∞(aB)jεt=j=0∑∞ajεt−j
也就是说 Xt=∑j=0∞ajεt−jX_t=\sum_{j=0}^{\infty}a^j\varepsilon_{t-j}Xt=∑j=0∞ajεt−j 为模型 AR(1)AR(1)AR(1) 的解。
类似求得 AR(p)AR(p)AR(p) 的解为
Xt=1α(B)εt=∑j=0∞ψjBjεt=∑j=0∞ψjεt−jX_t=\frac{1}{\alpha(B)}\varepsilon_t=\sum_{j=0}^{\infty}\psi_jB^j\varepsilon_t=\sum_{j=0}^{\infty}\psi_j\varepsilon_{t-j} Xt=α(B)1εt=j=0∑∞ψjBjεt=j=0∑∞ψjεt−j
其中 ψ0=1,ψ1=a1,ψj=a1ψj−1+a2+ψj−2,j≥2\psi_0=1,\psi_1=a_1,\psi_j=a_1\psi_{j-1}+a_2+\psi_{j-2}, j\ge2ψ0=1,ψ1=a1,ψj=a1ψj−1+a2+ψj−2,j≥2 。
不加以证明的给出自协方差函数:
自协方差函数{r0=(1−a2)σ21−a12−a1a2−a2−a22+a23r1=a1σ21−a12−a1a2−a2−a22+a23rk=a1rk−1+a2rk−2,k≥1\begin{aligned} &自协方差函数 \begin{cases} r_0=\frac{(1-a_2)\sigma^2}{1-a_1^2-a_1a_2-a_2-a_2^2+a_2^3}\\ r_1=\frac{a_1\sigma^2}{1-a_1^2-a_1a_2-a_2-a_2^2+a_2^3}\\ r_k=a_1r_{k-1}+a_2r_{k-2},k\ge1 \end{cases} \end{aligned} 自协方差函数⎩⎪⎪⎨⎪⎪⎧r0=1−a12−a1a2−a2−a22+a23(1−a2)σ2r1=1−a12−a1a2−a2−a22+a23a1σ2rk=a1rk−1+a2rk−2,k≥1
移动平均模型
移动平均模型( MovingMovingMoving AverageAverageAverage ModelModelModel ),简称 MAMAMA 模型,他是一种简单平滑预测技术,它的基本思想是:根据时间序列资料、逐项推移,依次计算包含一定项数的序时平均值,以反映长期趋势的方法。
设时间序列 Xt\\{X_t\\}Xt 适合 Xt=εt−b1εt−1−⋯−bqεt−qX_t=\varepsilon_t-b_1\varepsilon_{t-1}-\cdots-b_q\varepsilon_{t-q}Xt=εt−b1εt−1−⋯−bqεt−q ,其中 εt\\{\varepsilon_t\\}εt 为白噪声序列, bi,i=1,2,⋯,qb_i,i=1,2,\cdots,qbi,i=1,2,⋯,q 为实常数,我们称此模型为 qqq 阶移动平均模型,记为 MA(q)MA(q)MA(q) 模型。
令 β(u)=1−b1u−b2u2−⋯−bquq\beta(u)=1-b_1u-b_2u^2-\cdots-b_qu^qβ(u)=1−b1u−b2u2−⋯−bquq ,
可将模型简化为 Xt=β(B)εtX_t=\beta(B)\varepsilon_tXt=β(B)εt 。
该模型已经是解的形式了。
自协方差函数rk={σ2(1+∑j=1qbj2),k=0σ2(−bk+∑j=1q−kbjbj+k),1≤k≤q0,k>q\begin{aligned} 自协方差函数r_k= \begin{cases} \sigma^2(1+\sum_{j=1}^{q}b_j^2)&,k=0\\ \sigma^2(-b_k+\sum_{j=1}^{q-k}b_jb_{j+k})&,1\le k\le q\\ 0&,k> q \end{cases} \end{aligned} 自协方差函数rk=⎩⎪⎨⎪⎧σ2(1+∑j=1qbj2)σ2(−bk+∑j=1q−kbjbj+k)0,k=0,1≤k≤q,k>q
自回归移动平均模型
自回归移动平均模型( AutoAutoAuto RegressiveRegressiveRegressive MovingMovingMoving AverageAverageAverage ModelModelModel ),简称 ARMA模型ARMA模型ARMA模型 。他的基本思想是把 ARARAR 和 MAMAMA 模型结合在一起,使所使用的参数个数保持很小。
设时间序列 Xt\\{X_t\\}Xt 适合 Xt−a1Xt−1−⋯−apXt−p=εt−b1εt−1−⋯−bqεt−qX_t-a_1X_{t-1}-\cdots-a_pX_{t-p}=\varepsilon_t-b_1\varepsilon_{t-1}-\cdots-b_q\varepsilon_{t-q}Xt−a1Xt−1−⋯−apXt−p=εt−b1εt−1−⋯−bqεt−q , εt\\{\varepsilon_t\\}εt 为白噪声序列, ∀s<t,\forall s<t,∀s<t, 有 E(Xsεt)=0E(X_s\varepsilon_t)=0E(Xsεt)=0 ,我们称此模型为自回归移动平均模型,记为 ARMA(p,q)ARMA(p,q)ARMA(p,q) 模型。
模型可以简化为 α(B)Xt=β(B)εt\alpha(B)X_t=\beta(B)\varepsilon_tα(B)Xt=β(B)εt 。
自协方差函数∑j=0p∑i=0pajairk−i+j={σ2(1+∑j=1qbj2),k=0σ2(−bk+∑j=1q−kbjbj+k),1≤k≤q0,k>q\begin{aligned} &自协方差函数\sum_{j=0}^{p}\sum_{i=0}^{p}a_ja_ir_{k-i+j}= \begin{cases} \sigma^2(1+\sum_{j=1}^{q}b_j^2)&,k=0\\ \sigma^2(-b_k+\sum_{j=1}^{q-k}b_jb_{j+k})&,1\le k\le q\\ 0&,k> q \end{cases} \end{aligned} 自协方差函数j=0∑pi=0∑pajairk−i+j=⎩⎪⎨⎪⎧σ2(1+∑j=1qbj2)σ2(−bk+∑j=1q−kbjbj+k)0,k=0,1≤k≤q,k>q
差分自回归移动平均模型
前面 AR(p)AR(p)AR(p)、MA(q)MA(q)MA(q) 和 ARMA(p,q)ARMA(p,q)ARMA(p,q) 都是平稳的随机过程,对于非平稳的时间序列,首先应将其平稳化。其中,差分变换是最常用的平稳化方法。然后再使用 AR(p)AR(p)AR(p)、MA(q)MA(q)MA(q) 或 ARMA(p,q)ARMA(p,q)ARMA(p,q) 来模拟已平稳化的随机过程。这就是所谓的差分自回归移动平均模型(AutoregressiveAutoregressiveAutoregressive IntegratedIntegratedIntegrated MovingMovingMoving AverageAverageAverage ModelModelModel)。
设时间序列 Xt\\{X_t\\}Xt 适合 (1−B)dXt=Wt(1-B)^dX_t=W_t(1−B)dXt=Wt ,其中 WtW_tWt 是平稳的 ARMAARMAARMA 序列,我们称此模型为差分自回归移动平均模型,记为 ARIMA(p,d,q)ARIMA(p,d,q)ARIMA(p,d,q) 模型,其中 ddd 是实施差分变换的次数。
我们定义了一阶差分算子为 (1−B)(1-B)(1−B) ,即有 (1−B)Xt=Xt−Xt−1(1-B)X_t=X_t-X_{t-1}(1−B)Xt=Xt−Xt−1 ,表示每一期比前一期增减的数量,也叫作逐期增长量。
实质上我们对 ARIMA(p,d,q)ARIMA(p,d,q)ARIMA(p,d,q) 序列差分后得到的是 ARMA(p,q)ARMA(p,q)ARMA(p,q) 序列。
当 d=1d=1d=1 时,(1−β)Xt=Wt(1-\beta)X_t=W_t(1−β)Xt=Wt ,即 Xt−Xt−1=WtX_t-X_{t-1}=W_tXt−Xt−1=Wt ,
于是 Xt=Xt−1+Wt=Xt−2+Wt−1+Wt=⋯=X0+∑i=1tWiX_t=X_{t-1}+W_t=X_{t-2}+W_{t-1}+W_t=\cdots=X_0+\sum_{i=1}^{t}W_iXt=Xt−1+Wt=Xt−2+Wt−1+Wt=⋯=X0+∑i=1tWi 。
如果说 X0=0X_0=0X0=0 ,那么 Xt=∑i=1tWiX_t=\sum_{i=1}^{t}W_iXt=∑i=1tWi 就表示了求和的含义。
可以证明求和序列是非平稳序列。(证明)
由此可见,ARIMA(p,d,q)ARIMA(p,d,q)ARIMA(p,d,q) 是一种比 ARMA(p,q)ARMA(p,q)ARMA(p,q) 更为普遍性的模型。
季节模型
设时间序列 Xt\\{X_t\\}Xt 适合 Φ(BT)(1−BT)dXt=θ(BT)Wt\Phi(B^T)(1-B^T)^dX_t=\theta(B^T)W_tΦ(BT)(1−BT)dXt=θ(BT)Wt ,其中 Φ(u),θ(u)\Phi (u),\theta(u)Φ(u),θ(u) 分别为 ppp 阶和 qqq 阶的多项式 , WtW_tWt 为 ARIMA(p,d,q)ARIMA(p,d,q)ARIMA(p,d,q) 序列,TTT 为 Xt\\{X_t\\}Xt 的周期,称该模型为季节模型,如果说时间序列受到季节性变动影响可以考虑该模型。注:季节性序列也是非平稳的序列。
加法模型和乘法模型
时间序列各项指标数值的不同,是由许多因素共同作用的结果,影响因素归结起来有四类:
- 长期趋势 (T)(T)(T) :指现象在一段较长的时间内指标数值持续的沿着一个方向,逐渐向上或向下变动或保持平稳的趋势。
- 季节变动 (S)(S)(S) :指现象受季节性因素影响而发生的变动。其变动特点是,在一年或更短的时间内使现象呈周期性重复的变化。
- 循环变动 (C)(C)(C) :指现象发生周期比较长的涨落起伏的变动。通常周期少则三年,多则五年以上。
- 不规则变动 (R)(R)(R) :指除了受以上各种变动的影响之外,还受偶然因素或不明原因而引起的变动。其变化无规则可循。
加法模型:
Xt=Tt+St+Ct+RtX_t=T_t+S_t+C_t+R_tXt=Tt+St+Ct+Rt
其中 TTT 取非负值,S,CS,CS,C 取值可正可负,要求 S‾=0,C‾=0\overline{S}=0,\overline{C}=0S=0,C=0 。
乘法模型:
Xt=Tt×St×Ct×RtX_t=T_t\times S_t\times C_t\times R_tXt=Tt×St×Ct×Rt
其中 T,S,CT,S,CT,S,C 均取非负值,要求 S‾=1,C‾=1\overline{S}=1,\overline{C}=1S=1,C=1 。
数据集
通过 Spss 建模分析
第一步: 绘啤酒产量#10(万千升)制序列图
时间序列图
从时间序列图可以看出,原序列是有明显上升趋势,是非平稳的序列,需要差分处理,一阶差分后的图像如下
一阶差分后时间序列图
可见差分后的时间序列近似平稳。
第二步: 计算自相关函数和偏相关函数并画图
一阶差分序列自相关函数图像
一阶差分序列偏相关函数图像
根据自相关函数和偏相关函数图,可以选择 AR(7) 模型,具体如何选取模型看这篇
得到模型表达式:
Xt=−5611.846−0.478Xt−1−0.544Xt−2−0.330Xt−3−0.244Xt−4−0.839Xt−5−0.524Xt−6−0.247Xt−7+εtX_t=-5611.846-0.478X_{t-1}-0.544X_{t-2}-0.330X_{t-3}-0.244X_{t-4}-0.839X_{t-5}-0.524X_{t-6}-0.247X_{t-7}+\varepsilon_t Xt=−5611.846−0.478Xt−1−0.544Xt−2−0.330Xt−3−0.244Xt−4−0.839Xt−5−0.524Xt−6−0.247Xt−7+εt
时间序列模型(ARIMA和ARMA)完整步骤详述
参考资料
孙祝岭.时间序列与多元统计分析[M] 上海:上海交通大学出版社,2016.
时间序列常见模型介绍与实战(SPSS)相关推荐
- 深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要 ...
- Python时间序列模型推理预测实战:时序推理数据预处理(特征生成、lstm输入结构组织)、模型加载、模型预测结果保存、条件判断模型循环运行
Python时间序列模型推理预测实战:时序推理数据预处理(特征生成.lstm输入结构组织).模型加载.模型预测结果保存.条件判断模型循环运行 目录
- 深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM(Long Short Term Memory Network)长短时记忆网络,是一种改进之后的循环神经网 ...
- 深度学习多变量时间序列预测:Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战 人类并不是每时每刻都从一片空白的大脑开始他们的思考.在你阅读这篇文章时候,你都是基于自己已经拥有的对先前所见 ...
- 深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战 卷积神经网络,听起来像是计算机科学.生物学和数学的诡异组合,但它们已经成为计算机视觉领域中最具影响力 ...
- 深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战 GRU是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种 ...
- 数据分析_常见的业务分析指标及模型介绍
一.常见的业务分析指标及模型介绍 1. 业务指标介绍 (1)简单企业架构 产品:包括设计.落地.优化,类似于项目经理的岗位: 技术:包括前端.后端: 运营:分为产品.内容.活动三个方面: 市场:包括品 ...
- MNL——多项Logit模型学习笔记(一)离散选择以及logit模型介绍
效用最大化准则:多项Logit模型(MNL)--离散选择模型之十四 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/112887273 ↑资料来源,都是按照这 ...
- 智能营销增益(Uplift Modeling)模型——模型介绍(一)
文章目录 1 Uplift Modeling与reponse model模型的差异 1.1 增益模型与响应模型的差异 1.2 增益模型与响应模型的混淆 1.3 业务疑问与需求 1.3.1 多维度建模 ...
最新文章
- Android Wi-Fi基本操作
- Python3--自动化办公
- Python中运算符 is 和 == 的区别
- vim 批量注释代码
- C++多态的基本概念
- oracle00011,oracle11g 导出表报EXP-00011:table不存在。
- Windows编程—获取操作系统默认浏览器路径
- 设计模式C++实现--Decorator模式
- 《css权威指南》笔记
- 辽宁省沈阳市谷歌高清卫星地图下载
- Ubuntu修改键盘映射
- thinkPad电脑无人操作时休眠设置
- 华硕fl5600l重装系统
- Spark性能优化之-资源调优
- IT人职业道德的反思
- 批量修改word中的公式--mathtype
- cmd黑客入侵命令大全
- java qlv转mp4 代码_Java实用工具类五:URL转码、解码类
- win10+TPLINK,用PXE安装redhat系统
- html页面如果想要字体比12px还小
热门文章
- 衰减3dB是什么意思
- springboot源码解析,kafkaredis面试题
- Failed to process package ‘cartographer_ros‘ :
- 看看清华人是如何学习和生活的
- 打开虚拟机发现上不了网了
- python画笑脸图案-如何用Python画滑稽笑脸!
- 为什么手机玩我的世界进服务器会显示红字,LOL进去时显示的蓝红标志是什么 | 手游网游页游攻略大全...
- 【Ubuntu20安装aria2以及配置web端】
- 设某种二叉树有如下特点:每个结点要么是叶子结点,要么有2棵子树。假如一棵这样的二叉树中有m(m0)个叶子结点,那么该二叉树上的结点总数为( )。
- js 通过 exceljs 和 canvas 实现导出带水印的 excel 表