python指数平滑预测_指数平滑方法简介
本文链接:个人站 | 简书 | CSDN
版权声明:除特别声明外,本博客文章均采用 BY-NC-SA 许可协议。转载请注明出处。
指数平滑(Exponential smoothing)是除了 ARIMA 之外的另一种被广泛使用的时间序列预测方法(关于 ARIMA,请参考 时间序列模型简介)。 指数平滑即指数移动平均(exponential moving average),是以指数式递减加权的移动平均。各数值的权重随时间指数式递减,越近期的数据权重越高。常用的指数平滑方法有一次指数平滑、二次指数平滑和三次指数平滑。
1. 一次指数平滑
一次指数平滑又叫简单指数平滑(simple exponential smoothing, SES),适合用来预测没有明显趋势和季节性的时间序列。其预测结果是一条水平的直线。模型形如:
Forecast equation:
Smoothing equantion:
其中
是真实值,
为预测值,
为平滑值,
。
定义残差
,其中
,则可以通过优化方法得到
和
。
使用 python 的 statsmodels 可以方便地应用该模型:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import SimpleExpSmoothing
x1 = np.linspace(0, 1, 100)
y1 = pd.Series(np.multiply(x1, (x1 - 0.5)) + np.random.randn(100))
ets1 = SimpleExpSmoothing(y1)
r1 = ets1.fit()
pred1 = r1.predict(start=len(y1), end=len(y1) + len(y1)//2)
pd.DataFrame({
'origin': y1,
'fitted': r1.fittedvalues,
'pred': pred1
}).plot(legend=True)
效果如图:
ses.png
2. 二次指数平滑
2.1 Holt's linear trend method
Holt 扩展了简单指数平滑,使其可以用来预测带有趋势的时间序列。直观地看,就是对平滑值的一阶差分(可以理解为斜率)也作一次平滑。模型的预测结果是一条斜率不为0的直线。模型形如:
Forecast equation:
Level equation:
Trend equation:
其中
,
。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import Holt
x2 = np.linspace(0, 99, 100)
y2 = pd.Series(0.1 * x2 + 2 * np.random.randn(100))
ets2 = Holt(y2)
r2 = ets2.fit()
pred2 = r2.predict(start=len(y2), end=len(y2) + len(y2)//2)
pd.DataFrame({
'origin': y2,
'fitted': r2.fittedvalues,
'pred': pred2
}).plot(legend=True)
效果如图:
holt.png
2.2 Damped trend methods
Holt's linear trend method 得到的预测结果是一条直线,即认为未来的趋势是固定的。对于短期有趋势、长期趋于稳定的序列,可以引入一个阻尼系数
,将模型改写为
Forecast equation:
Level equation:
Trend equation:
3. 三次指数平滑
为了描述时间序列的季节性,Holt 和 Winters 进一步扩展了 Holt's linear trend method,得到了三次指数平滑模型,也就是通常说的 Holt-Winters’ 模型。我们用
表示“季节”的周期。根据季节部分和非季节部分的组合方式不同,Holt-Winters’ 又可以分为加法模型和乘法模型。
3.1 Holt-Winters’ additive method
加法模型形如:
Forecast equation:
Level equation:
Trend equation:
Seasonal equation:
其中
,
,
。
是
的整数部分。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.holtwinters import ExponentialSmoothing
x3 = np.linspace(0, 4 * np.pi, 100)
y3 = pd.Series(20 + 0.1 * np.multiply(x3, x3) + 8 * np.cos(2 * x3) + 2 * np.random.randn(100))
ets3 = ExponentialSmoothing(y3, trend='add', seasonal='add', seasonal_periods=25)
r3 = ets3.fit()
pred3 = r3.predict(start=len(y3), end=len(y3) + len(y3)//2)
pd.DataFrame({
'origin': y3,
'fitted': r3.fittedvalues,
'pred': pred3
}).plot(legend=True)
效果如图:
holt_winters_add.png
3.2 Holt-Winters’ multiplicative method
乘法模型形如:
Forecast equation:
Level equation:
Trend equation:
Seasonal equation:
效果如图:
holt_winters_mul.png
3.3 Holt-Winters’ damped method
Holt-Winters’ 模型的趋势部分同样可以引入阻尼系数
,这里不再赘述。
4. 参数优化和模型选择
参数优化的方法是最小化误差平方和或最大化似然函数。模型选择可以根据信息量准则,常用的有 AIC 和 BIC等。
AIC 即 Akaike information criterion, 定义为
其中
是似然函数,
是参数数量。用 AIC 选择模型时要求似然函数大,同时对参数数量作了惩罚,在似然函数相近的情况下选择复杂度低的模型。
BIC 即 Bayesian information criterion,定义为
其中
是样本数量。当
时,
,因此当样本量较大时 BIC 对模型复杂度的惩罚比 AIC 更严厉。
5. 与 ARIMA 的关系
线性的指数平滑方法可以看作是 ARIMA 的特例。例如简单指数平滑等价于 ARIMA(0, 1, 1),Holt's linear trend method 等价于 ARIMA(0, 2, 2),而 Damped trend methods 等价于 ARIMA(1, 1, 2) 等。
我们不妨来验证一下。
可以改写为
亦即
两边同时加上
,得
而 ARIMA(p, d, q) 可以表示为
其中
是滞后算子(Lag operator),
。
考虑 ARIMA(0, 1, 1)
即
亦即
令
,则两者等价。
非线性的指数平滑方法则没有对应的 ARIMA 表示。
参考文献
[1] Hyndman, Rob J., and George Athanasopoulos. Forecasting: principles and practice. OTexts, 2014.
[2] Exponential smoothing - Wikipedia https://en.wikipedia.org/wiki/Exponential_smoothing
[3] Introduction to ARIMA models - Duke https://people.duke.edu/~rnau/411arim.htm
python指数平滑预测_指数平滑方法简介相关推荐
- python时间序列指数平滑预测_时间序列分析预测实战之指数平滑法
一.什么是时间序列分析? 在工作中,常常要对数据进行预测,确定业务未来的发展趋势,进而配置相关的营销策略.制定业务目标,由此引申出了一个重要的用数据预测未来的方法--时间序列分析,今天和大家分享就是实 ...
- python构建指数平滑预测模型_指数平滑预测法python实现
说明:基于python的指数平滑预测平滑系数确定.计算.误差分析.结果输出与可视化. 指数平滑法 指数平滑法是生产预测中常用的一种方法.也用于中短期经济发展趋势预测,所有预测方法中,指数平滑是用得最多 ...
- python进行数据预测_手把手教你用Python进行时间序列分解和预测
原标题:手把手教你用Python进行时间序列分解和预测 作者:Mohit Sharma 翻译:数据派THU-王闯(Chuck) 预测是一件复杂的事情,在这方面做得好的企业会在同行业中出类拔萃.时间序列 ...
- Python笔记:matplotlib 三维图表绘制方法简介
Python笔记:三维图表绘制方法简介 1. python三维图表绘制方法简介 2. 实例说明 1. 三维曲线图绘制 2. 三维散点图绘制 3. 三维曲面图绘制 3. 参考链接 1. python三维 ...
- python 3d图表_matplotlib 三维图表绘制方法简介
1. python三维图表绘制方法简介 python三维图表的绘制算是二维图表的一个进阶版本,本质上和二维图表的绘制并无差别,唯一的区别在于使用的库略有差异. 相较于二维图表使用的pyplot库,三维 ...
- python模糊神经网络预测_一种基于模糊神经网络的化学分子生物毒性预测模型算法的制作方法...
本发明属于化工 技术领域: ,具体是一种基于模糊神经网络的化学分子生物毒性预测模型算法. 背景技术: :近些年来,化学物质合成技术飞快发展,合成物质已经应用于社会的各行各业,随着工业的高度发展,全球化 ...
- python猪肉价格预测_预测猪肉年底会涨到30元,用python分析:肉涨真正利好哪些股?...
概要 预测猪肉年底会涨到30元,那么问题来了,肉涨利好哪些股?本文从全国猪肉价格可视化分析,然后用python的pandas数据相关性分析,来选取最有代表性的猪肉价格.最后,提取猪肉概念的30多只股票 ...
- python泰坦尼克号数据预测_使用python预测泰坦尼克号生还
简介 Titanic是Kaggle竞赛的一道入门题,参赛者需要根据旅客的阶级.性别.年龄.船舱种类等信息预测其是否能在海难中生还,详细信息可以参看https://www.kaggle.com/,本文的 ...
- python历史 用量 预测_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 ...
最新文章
- 【原译】简单的Malloc实现
- reactor线程模型_从TCP服务器到I/O模型,带你学习Netty
- 5W+人的公司怎么把总部和分部网络连接起来?
- 字符串-文本对齐方法演练
- 深圳零基础自学python_深圳学习python
- 遥感RS植被指数大全整理
- 快手:笔试题(版本号比较,平方和为1,合并两个流)
- Selenium 自动测试软件的使用(自动化操作)
- 个人总结:网站优化之title、meta、keywords写法
- ubuntu8.04 升级到8.10后,apache2 不能用的解决办法
- [转]Windows 7自带很好用的磁盘检查与修复的环境
- 谷歌chrome浏览器安装json插件
- ArcGIS Pro与ArcGis区别
- 【你离诺贝尔奖也就20米】记一次诺奖得主讲座聆听感受
- java的inputbox,解释InputBox函数(输入函数)的用途
- js下载文件格式为Excel后提示与文件扩展名不一致,打开文件前请验证文件没有损坏且来源可信.
- Cys(Npys)-(Arg)₉,H2N-C(Npys)-RRRRRRRRR-OH
- 游戏与幼儿教育如何相辅相成
- vue-H5缩放屏幕以及IOS滚动不流畅
- 《所谓情商高,就是会说话》读书笔记
热门文章
- java 调用R 语言生成图片是空白解决方法
- 读书笔记 - The Hitchhiker's Guide to Python
- 开源API测试工具 Hitchhiker v0.10 - 中文版
- (1)搭建工程开发环境
- 向元气满满的日本中小企业学习2
- requests库的使用(一篇就够了)
- 「PAT甲级真题解析」Advanced Level 1009 Product of Polynomials
- 用户即将一分钟后关闭计算机,Win10开机提示“你的电脑将在一分钟后自动重启”怎么解决...
- Invalid Host header 服务器域名访问出现的问题
- 系统相关----win10电脑插上U盘不显示盘符如何办