加拿大康考迪亚大学时间序列预测进阶笔记!

时间序列预测是商业、金融、供应链管理、制造和库存规划领域应用最广泛的信息技术之一。许多预测问题都有时间成分，因此需要时间序列数据外推或时间序列预测。时间序列预测是利用时间序列预测事件的技术。它包括通过分析过去的趋势并假设未来趋势与过去趋势相似来预测未来事件。

一、时间序列模型

时间序列模型用于根据经过验证的历史数据预测事件。常见类型包括 ARIMA、平滑和移动平均。并非所有模型都能为同一数据集提供相同的结果，因此，根据各个时间序列确定哪种模型最合适非常重要。

在进行预测时，了解目标非常重要。为了完善预测建模问题，您应该提出以下问题：

1.可用数据量--更多的数据通常更有用，能为探索性数据分析、模型测试和匹配以及模型保真度提供更好的机会。

2.预测所需的时间框架--较短的时间框架通常比较长的时间框架更容易预测，也更有把握。

3.预测更新的频率--预测可能需要随着时间的推移而经常更新，也可能只准备一次就一成不变(随着新信息的出现而更新预测通常会使预测更加准确)。

4.预测的时间频率 - 通常可以较低或较高的频率进行预测，这样就可以利用减少采样和增加数据采样的优势(这反过来又可以在建模过程中带来好处)。

二、时间序列分析与时间序列预测

时间序列分析是为了理解数据集，而预测是为了预测数据。时间序列分析涉及分析时间序列数据的方法，以便从数据中提取有意义的统计数据和其他特征。时间序列预测是根据以前观察到的数值，使用模型来预测未来的数值。

预测建模包括三个方面：

1.样本数据：我们收集的描述问题的数据，其输入和输出之间存在已知关系。

2.学习模型：我们对样本数据采用的算法，以创建一个可重复使用的模型。

3.预测：将学习到的模型应用于我们还不知道结果的新数据。

三、验证和测试时间序列模型

造成时间序列预测困难的因素包括

1.时间序列的时间依赖性--线性回归模型的基本假设，即观测数据是独立的，在这种情况下并不适用。由于时间序列数据的时间依赖性，时间序列预测不能基于正常的验证技术。为避免判断出现偏差，训练数据集应包含在验证数据集中的观测值之前出现的观测值。一旦选出最佳模型，我们就可以将其与完整的训练集进行拟合，并在稍后的单独测试集中评估其性能。

2.时间序列的季节性--除了上升或下降趋势外，大多数时间序列都有某种形式的季节性趋势，即特定时期的波动。

时间序列模型在特定数据集中的表现可能优于其他模型--在某一类数据集中表现较好的模型，在所有其他数据集中的表现可能并不理想。

海马课堂专业课程辅导，2300+严选硕博学霸师资，针对学生的薄弱科目和学校教学进度，匹配背景相符的导师，根据学生情况进行1V1专属备课，上课时间灵活安排，中英双语详细讲解课程中的考点、难点问题，并提供多方位的课后辅导，辅助学生掌握全部课程知识，补足短板。