时间序列分析技巧(一):根据ACF、PACF进行AR、MA、ARMA模型选择

程序员如何选择职业赛道?

🍉CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

个人介绍: 研一|统计学|干货分享
         擅长Python、Matlab、R等主流编程软件
         累计十余项国家级比赛奖项,参与研究经费10w、40w级横向

文章目录

  • 前言
  • [1 目的](#1 目的)
  • [2 模型选择图解](#2 模型选择图解)
    • [3 模型选择图例](#3 模型选择图例)
    • [3.1 AR模型判断案例](#3.1 AR模型判断案例)
    • [3.2 MA模型判断案例](#3.2 MA模型判断案例)
    • [3.3 ARMA模型判断案例](#3.3 ARMA模型判断案例)
  • [3 ARIMA模型的疏系数模型](#3 ARIMA模型的疏系数模型)

前言

先谈谈时间序列预测方向,时间序列预测是数据分析领域中一个非常重要的研究方向,尤其在金融、经济、工程等领域有广泛应用。作为程序员,参与时间序列预测方向的工作需要掌握一定的统计学和机器学习知识,同时还需要熟悉编程语言和数据处理工具。

在时间序列预测方向,程序员可以从事以下几个方面的工作:

  • 模型开发与优化:根据具体业务场景选择合适的时间序列预测模型,如ARIMA、SARIMA、VAR、VARMAX、LSTM、GRU等,并对模型进行训练、调优和验证。

  • 特征工程:提取和选择与时间序列预测相关的特征,如季节性、趋势性、周期性等,以提高模型的预测精度。

  • 数据处理与清洗:对原始时间序列数据进行预处理,如缺失值填充、异常值处理、数据平滑等,以确保数据的质量和准确性。

  • 模型部署与监控:将训练好的模型部署到生产环境,对模型进行实时监控和性能评估,确保模型的稳定性和可靠性。

  • 模型解释性 :在时间序列预测中,模型的解释性往往非常重要。程序员可以研究如何提高模型的解释性,以便更好地理解模型的预测结果和决策过程。

    重点:为了从事时间序列预测方向的工作,程序员需要掌握以下技能:

  • 编程语言:如Python、R等,这些语言具有丰富的数据处理和机器学习库,如NumPy、Pandas、Scikit-learn、TensorFlow、PyTorch等。

  • 数据处理工具:如Excel、SQL、Tableau等,这些工具可以帮助程序员进行数据清洗、数据可视化和数据分析等工作。

  • 统计学和机器学习知识:如时间序列分析、回归分析、机器学习算法等,这些知识是时间序列预测的基础。

  • 业务理解能力 :了解具体业务场景和需求,以便选择合适的模型和方法进行预测。
      总之,时间序列预测是一个充满挑战和机遇的领域,程序员可以通过不断学习和实践,提高自己的技能和水平,为业务提供更准确、可靠的预测结果。

1 目的

该篇为针对时间序列ARIMA模型建模系列技巧:利用自相关系数(ACF)图和偏自相关(PACF)图选择AR、MA、ARMA模型。==若原始序列非平稳,经过差分后成为平稳非白噪声序列,即针对差分后序列根据其自相关系数(ACF)图和偏自相关(PACF)图选择AR、MA、ARMA模型。该模型由此转变为ARI、IMA、ARIMA模型。==ARIMA模型原理可移步:【时间序列分析】------时序分解定理详解

2 模型选择图解

平稳序列模型选择图解:

  • 拖尾:指的是ACF或PACF并不在某阶后均为0,而是呈现出一种衰减的趋势,但并不会完全为0。这通常意味着时间序列数据具有长期记忆性,即过去的数据对未来的数据仍有一定的影响。拖尾的情况在AR模型和MA模型中都有可能出现。

  • 截尾:截尾则是指ACF或PACF在某阶后均为0的性质。这意味着时间序列数据在某一阶数后,过去的数据对未来数据的影响可以忽略不计。在AR模型中,PACF通常表现出截尾性,而在MA模型中,ACF则通常表现出截尾性。

  • 模型选择:对于ARMA模型的ACF和PACF图,我们可以通过观察其图形特征来判断模型的阶数。如果ACF图呈现出拖尾的特征,而PACF图呈现出截尾的特征,那么可以考虑使用AR模型进行拟合;如果ACF图呈现出截尾的特征,而PACF图呈现出拖尾的特征,那么可以考虑使用MA模型进行拟合。如果ACF和PACF图都呈现出拖尾的特征,那么可能需要考虑使用ARMA模型进行拟合。

小Tip:需要注意的是,在实际应用中,我们可能需要根据==最优信息准则(如AIC、BIC等)==来选择最合适的模型阶数,而不仅仅依赖于ACF和PACF图的图形特征。此外,对于复杂的时间序列数据,可能需要结合其他统计方法和模型来进行分析和预测。

3 模型选择图例

3.1 AR模型判断案例

自相关系数(ACF)图呈拖尾性质和偏自相关(PACF)图呈截尾性质。

3.2 MA模型判断案例

自相关系数(ACF)图呈截尾性质和偏自相关(PACF)图呈拖尾性质。

3.3 ARMA模型判断案例

自相关系数(ACF)图和偏自相关(PACF)图均呈拖尾性质。

3 ARIMA模型的疏系数模型

若在自相关系数(ACF)图和偏自相关(PACF)模型识别中存在中间部分位置系数落在2倍标准差内(即标准误差线或上图蓝色阴影区域内),即可拟合带疏系数的相应ARIMA族系列模型。详细建模步骤可移步:时间序列分析实战(五):ARIMA加法(疏系数)模型建模时间序列分析实战(六):ARIMA乘法(疏系数)模型建模及预测

相关推荐
qzhqbb1 小时前
基于统计方法的语言模型
人工智能·语言模型·easyui
冷眼看人间恩怨2 小时前
【话题讨论】AI大模型重塑软件开发:定义、应用、优势与挑战
人工智能·ai编程·软件开发
2401_883041082 小时前
新锐品牌电商代运营公司都有哪些?
大数据·人工智能
pianmian12 小时前
python数据结构基础(7)
数据结构·算法
AI极客菌3 小时前
Controlnet作者新作IC-light V2:基于FLUX训练,支持处理风格化图像,细节远高于SD1.5。
人工智能·计算机视觉·ai作画·stable diffusion·aigc·flux·人工智能作画
阿_旭3 小时前
一文读懂| 自注意力与交叉注意力机制在计算机视觉中作用与基本原理
人工智能·深度学习·计算机视觉·cross-attention·self-attention
王哈哈^_^3 小时前
【数据集】【YOLO】【目标检测】交通事故识别数据集 8939 张,YOLO道路事故目标检测实战训练教程!
前端·人工智能·深度学习·yolo·目标检测·计算机视觉·pyqt
Power20246664 小时前
NLP论文速读|LongReward:基于AI反馈来提升长上下文大语言模型
人工智能·深度学习·机器学习·自然语言处理·nlp
数据猎手小k4 小时前
AIDOVECL数据集:包含超过15000张AI生成的车辆图像数据集,目的解决旨在解决眼水平分类和定位问题。
人工智能·分类·数据挖掘
好奇龙猫4 小时前
【学习AI-相关路程-mnist手写数字分类-win-硬件:windows-自我学习AI-实验步骤-全连接神经网络(BPnetwork)-操作流程(3) 】
人工智能·算法