本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
时间序列分析是一种强大的工具,可用于预测未来事件。它是一种统计分析形式,使用过去的数据点来构建可用于预测未来事件的模型。
时间序列分析可用于多种目的,例如:
有许多不同的方法可用于时间序列分析。最常见的方法是:
这些方法中的每一种都有其自身的优点和缺点。选择使用哪种方法取决于您要解决的具体问题。
在这篇文章中,我们将重点关注 SARIMA 模型。 SARIMA 代表季节性自回归综合移动平均线。它是一种 ARIMA 模型,在数据中存在季节性时使用。
SARIMA 模型用于根据过去的值预测时间序列的未来值。该模型在进行预测时会考虑数据的季节性。
SARIMA 模型由三个部分组成:
AR 组件用于对数据中的自相关建模。 I 分量用于对数据中的非平稳性建模。 MA 组件用于对数据的移动平均值建模。
SARIMA 模型使用最大似然估计 (MLE) 方法拟合数据。 MLE 是一种估计统计模型参数的方法。
一旦 SARIMA 模型适合数据,它就可以用来预测时间序列的未来值。
使用 SARIMA 模型时需要注意以下几点:
如果数据不是平稳的,可以通过差分使其平稳。差分是从当前值中减去先前值的过程。
如果数据不是季节性平稳的,可以通过季节性差分使其季节性平稳。季节性差异是从当前值中减去先前值的过程,但仅适用于相隔一定数量时间段的值。
一旦数据静止,SARIMA 模型就可以拟合数据。 SARIMA 模型具有三个参数:
SARIMA 模型通过找到使预测值与实际值之间的误差最小化的 p、d 和 q 值来拟合数据。
一旦 SARIMA 模型适合数据,它就可以用来预测时间序列的未来值。 SARIMA 模型所做的预测是基于时间序列的过去值。
SARIMA 模型是一个强大的工具,可用于预测时间序列的未来值。但是,请务必记住,SARIMA 模型所做的预测仅与用于拟合模型的数据一样准确。