时间序列 - 建模
介绍
时间序列有 4 个组成部分，如下所示 -
水平- 这是系列变化的平均值。
趋势- 它是变量随时间增加或减少的Behave。
季节性- 这是时间序列的循环Behave。
噪声- 这是由于环境因素而增加的观测误差。
时间序列建模技术
为了捕获这些组件，有许多流行的时间序列建模技术。本节简要介绍每种技术，但我们将在接下来的章节中详细讨论它们 -
朴素的方法
这些是简单的估计技术，例如预测值的值等于时间相关变量的先前值或先前实际值的平均值。这些用于与复杂的建模技术进行比较。
自回归
自动回归根据先前时间段的值来预测未来时间段的值。自回归的预测可能比朴素方法更适合数据，但它可能无法解释季节性。
ARIMA模型
自回归积分移动平均将变量的值建模为先前值和固定时间序列先前时间步的残差误差的线性函数。然而，现实世界的数据可能是非平稳的并且具有季节性，因此开发了Seasonal-ARIMA和Fractional-ARIMA。ARIMA 适用于单变量时间序列，为了处理多变量，引入了 VARIMA。
指数平滑
它将变量的值建模为先前值的指数加权线性函数。该统计模型还可以处理趋势和季节性。
长短期记忆网络
长短期记忆模型 (LSTM) 是一种循环神经网络，用于时间序列以解释长期依赖性。它可以用大量数据进行训练，以捕获多变量时间序列的趋势。
所述建模技术用于时间序列回归。在接下来的章节中，让我们一一探讨这些内容。