新手入门——详解时间序列预测（用Python）

前言

时间序列（TS）是分析领域中不太为人知晓的技术。强烈建议阅读本文前先看看R语言之时间序列建模完全教程，里面讲解了相关的基本概念。我在这里直接用Python使用了其中的方法。R语言有很多处理TS的库，但是Python很少。

文章结构如下：

1.TS为何特殊？

2.用Pandas读取、处理数据；

3.如何判断TS的平稳性？

4.如何将TS变为平稳态？

5.预测TS

1.TS为何特殊？

正如其名，TS是以一个常数为时间间隔进行观测得到的数据点集。通过分析这些点来判断长期趋势，进而对未来进行预测或进行些其他形式的分析。TS不同于一般的回归问题，其特殊之处有如下两点：

1.依赖于时间，观测值之间有相关性。而线性回归的基本假设是所有观测都是独立的。

2.除了有升降趋势外，绝大多数TS还会有季节性趋势，即在特定的时间窗内有特定的变化（波动形式）。例如：冬天的羊毛夹克销量总是比较多。

正因为TS的这些内在特性，会有多种分析它的方式。我们这里使用流行的航空旅客数据集。

本文旨在介绍处理TS的不同方法，这里的例子只用于示范，尽可能的囊括各种方法，不会过多的追求预测准确性。

2.用Pandas读取、处理数据

Pandas是专门用来处理TS对象的库，尤其是datatime64[ns]类，它可存储时间信息，让我们能快速执行一些操作。

调相关库、读数据，看看数据的形式，类型。

数据包含月份和相应的旅客人数，但不是TS类型的对象。设置参数，读取csv文件，以得到TS对象。

1.parse_dates:说明哪一列是时间信息；

2.index_col:说明哪一列作为索引；

3.date_parser:说明时间信息的解析方式，即时期如何显示；

这样我们得到了时间类型(datetime[ns])的索引。取一列，得到序列(TS)对象。

接着介绍了一些序列对象的索引方式，值得注意的是：1.与列表不同，TS的两端索引是包含的；2.索引的时间必须是有序的；

3.如何判断TS的平稳性？

如果TS的统计量（诸如均值、方差）是一个常量，不随时间移动而改变，那么就说TS是平稳的。平稳性之所以重要是因为绝大多数的TS模型都是建立在平稳性假设之上的。直观上，如果一个TS在过去的时段有某种特定的模式，那么它很有可能在未来也遵循这样的模式。并且，与稳定性序列相关的理论更成熟，所以较非稳定序列而言，实施起来更容易。

稳定性的定义很严格，但实践中，只要TS满足统计量为常数，我们就认为它是稳定的，即：

1.均值为常数

2.方差为常数

3.自相关系数不随时间的移动而改变。——详见（R教程一文）。

下面进行稳定性测试。

1.先简单做个图看看。可见有上升趋势且有季节变动。移动平滑（滚动统计），移动平均、移动方差；2.DF检验：一种假设检验的手段。原假设为：时间序列（TS）是不稳定的，当统计量小于临界值时，我们可以拒绝原假设，认为TS在相应的置信度上是稳定的。——（详见R教程一文）。

要想深入了解统计理论，可以看看Brockwell和Davis的Introduction to Time Series and Forecasting。这本书有点难，但是一旦看懂，能对统计和一些概念理解的更深入。

引入DF测试函数：输入——TS，输出——三条线，统计量的值，P值（越小越好）还有三个临界值。

测试结果：均值增长，不稳定。并且统计量比临界值要大。

4.如何将TS变为平稳态？

尽管在很多TS模型的假设中，都要求稳定性，但实践中，基本不存在平稳的TS，所以统计学家提出很多将TS转换为稳定的方法。然而，绝对的稳定是不可能的，我们只能尽量让它接近平稳。
不平稳的两个主要因素：

1.趋势——随着时间，均值在发生变化；

2.季节因素——某一特定时段（eg：假期、涨工资），观测值会发生波动。
我们的处理思路是：对趋势和季节进行建模和估计，然后移除掉这一部分的量，剩下的就是平稳TS，就可以针对这个平稳TS运用统计预测的技术了。最后把各部分因素加起来，进行预测。

接下来介绍几种方法，我们旨在对方法进行介绍，不注重在当前问题上的效果。

估计趋势、剔除趋势

如果上升趋势显著，可以先transformation一下，把曲线趋势压缩，比如加个对数、平方根、立方根；
这里都是整数，所以我们取个对数：

对变化趋势的估计、建模方式一般有以下三种：
1.Aggregation（平均）：选取一个时间周期T做平均；
2.Smoothing（平滑）：采取滚动平均，考虑过去的几个观测值；（注：不知道1和2有啥区别...）
3.多项式拟合fitting：对时间的回归模型；
这里介绍smoothing，其中有两种方法：

MA

过去一段时间观测值的均值。

剔除MA曲线后，对剩余部分进行稳定性测试。统计值很小，p值很小，效果很好。

但是MA方法有个缺点，就是时间周期需要事先给定。但是对于复杂的情况，比如预测股票价格的时候，就很难事先给出一个数值T。因此，我们可以采用“带权重的MA”，越靠近的时刻权重越大。

（注：当预测目标的基本趋势在某一水平上上下下波动时，可用一次移动平均法建立预测模型。当预测目标的基本趋势与某一线性模型吻合时，常用二次移动平均法【做两次一次平均移动】。）

指数平滑（指数权重MA）

是其中很经典的方法，它给之前所有的观测值（或者误差值）都分配权重（注：所以才叫平滑），权数由近到远按指数规律递减。详情看这里。效果如下：

这里的参数‘halflife’用来指定指数衰减的量。底数越小，衰减的越快。其取值很大程度上取决于曲线的变化趋势，需要丰富的业务领域知识。参见一次指数平滑法。（当前的预测值=前一刻的观测值和预测值的组合，也可以看成是前一时刻预测值和前一时刻误差的组合）

（注：一次指数平滑可以转换为无穷项的MA/AR再加一个初始的预测值【前面所有的误差值/观测值的线性组合】。）

（注：一次指数平滑法的滞后效果显著，就像是把历史曲线向后平移了一点...，二次指数平滑就是按照一次指数平滑的方式再对TS做一次处理。原则上说，不管序列的基本趋势多么复杂，总可以用高次指数平滑公式建立一个逼近很好的模型【类似多项式拟合吧】，但计算量 很大，所以用的较多的是低阶指数平滑预测模型。）

（注：因为一次指数平滑是递归计算公式，所以要确定初始值。对第一个时刻的预测值一般取第一个时刻附近T个历史数据的平均值。衰减的越快，越能减小初始值设定带来的影响。）

继续，检查平稳性。效果比之前的MA要好。

同时剔除趋势和季节因素

只消除趋势变化并不一定有效，尤其是在季节性因素显著的场景。以下是两种同时去除两个因素的方式：
1.差分：以特定的时间滞后（延迟）取一个新的TS，两个TS做差。
2.分解：同时对趋势和季节因素建模并剔除之。

差分

差分是同时剔除趋势和季节因素的常用方法。通过用某一时刻的观察值减去之前时刻的观察值，能够很好的提高平稳性。

以下是一阶差分：

进行平稳性检查，统计量小于10%临界值。我们也可以做二阶、三阶差分，有时可能会得到更好的效果。

（注：二阶差分是指对得到的一阶差分TS再进行一次一阶差分）

二阶差分公式如下：

Δ(Δy(x))=Δ(y(x+1) - y(x))=Δy(x+1) - Δy(x)=(y(x+2) - y(x+1)) - (y(x+1) - y(x))=y(x+2) - 2y(x+1) + y(x)

分解

这种方法会对趋势和季节性因素分别建模，返回余下的TS（残差：residuals）。

检查平稳性。效果很好。只是将残差转化为最终的预测值没有那么直观（个人感觉还好啦...）。

5.预测TS

由上可知有很多使TS变平稳的方法。我们下面对经过差分得到的TS建模，因为这种方式比较流行。并且相对其他方法，它能够更容易的将趋势和季节性因素加回到预测的残差上。差分后（趋势和季节性的剔除），会出现两种情况：
1.严格的平稳序列，数值之间没有依赖关系。这种情况下很容易处理，我们可以将残差视为白噪声。但这种情况很少。
2.稳定序列，但序列数值间有显著的依赖关系。这种情况下，我们需要使用统计模型去预测数据，例如ARIMA模型。

下面简单介绍ARIMA方法

要想有效的应用这种方法，还是应该理解其中的技术细节。它的全名叫：自回归移动平均模型（差分自回归移动平均模型）。它是一种预测稳定TS的方法，就是一种线性方程（类似线性回归的形式）。预测器取决于模型的参数（p,d,q）：
1.参与自回归的项数p：每项都是一个延迟的（过去的）依赖变量（观测值）。例如，p=5表示当前的预测值是前五个时刻的观测值的线性组合。
2.参与移动平均的项数q：每一项都是过去某一时刻的预测误差（预测值和实际值的差）。例如，q=5表示当前的预测值是前五个时刻误差值的线性组合。
3.差分阶数d：TS消去季节性波动所需进行的差分次数。在本例中，我们用了一次差分后，消去了季节性因素，便没有必要用差分，所以可以在已经经过一阶差分处理的TS上忽略掉这个参数，或者将参数设为0。也可以将原TS拿来，因为还需要一次差分剔除季节性，所以将该参数设为1。两种方式的结果是一样的。（其实就是把TS变成平稳态所需进行的差分次数）

（注：该模型考虑了数据在时间序列上的依存性，又考虑了数据随机波动的干扰性，对于短期趋势的预测准确率较高。）
如何确定p，q的取值是该模型的重点。我们用两个图来调参。
1.自相关函数（ACF）：计算某一时刻与滞后T时刻的两个变量之间的协方差（参考两个变量的相关系数）。比如，取滞后值为5时，我们要考察的是序列当前和前五个时刻之间的相关性。这就需要抽取出一系列的样本点来计算，每一个样本点都是一对值，分别来自t1,...,t2和t1-5,...,t2-5这两个序列。
2.偏自相关函数（PACF）：算完相关性后，要剔除介于中间的比较。比如，取滞后值为5时，计算完5的ACF后要减去滞后值为1-4的相关效应。

做出两个图。

图中，在0上下的两条虚线是置信区间，他们可用来确定p与q的值，方式如下:
1.p – PACF图第一次穿过置信区间上限时的lag值。观察可知，这里为 p = 1.
2.q – ACF图第一次穿过置信区间上限时的lag值。观察可知，这里为 q = 1.

现在我们对ARIMA模型设置三种参数，两种独自的，一种组合的，考察拟合效果。我们为模型的每一种参数都计算RSS（root-sum square平方和开根号）。 这里的RSS计算是针对残差（residuals）的，不是最终预测的RSS。

AR

（AR：当前的观测值由之前的观测值和当前的误差线性组合。【即当前的预测值由过去的观测值线性组合】）

（注：若平稳序列的PACF是截尾【自某一个数后值全都近似为0】的，ACF是拖尾【自某一个数后值逐渐趋于0但都不为0】的，则选用AR模型。）

（注：AR（1）可以转化成无穷项MA）

MA

（MA：当前的观测值由之前的误差值和当前的误差值线性组合。【即当前的预测值由过去的误差值线性组合】）

（注：若平稳序列的PACF是拖尾的，ACF是截尾的，则选用MA模型。）

（注：MA（1）可以转化成无穷项AR）

ARIMA（ARMA）

（注：若平稳序列的PACF和ACF都是拖尾的，则选用ARIMA模型。）

（注：非平稳TS平稳化处理，是一个数据变换的过程。任何数据变换都会造成不同程度的信息损失，所以基于数据变换的模型是一种近似求解方案，会不同程度的影响模型的准确度和精度。比如差分处理，每进行一次差分处理都会 损失一部分信息，如果能找到一种直接挖掘非平稳时间序列的方法，将会进一不提高模型的预测准确度。）

由图可以看出，AR和MA模型的RSS几乎一样，组合模型的效果显著要好。现在，预测还剩最后一步：把所有的成分加起来，并转换回原TS的尺度。

转换回原尺度

因为组合模型的效果最好，我们将其转换为原尺度，然后看看拟合效果如何。首先把残差的预测结果保存成一个序列数据结构，然后查看一下值的情况。
发现预测从1949-2-1开始，没有1949-1-1的数据。这是因为做差分的时候往前挪了一位，所以序列里没有1949-1-1的数据。 将预测的差分序列转化成取log后的带有季节、趋势的序列的方法是：以一个数为起始基准，连续的将这些差值加起来。一个序列的数值全为基数，一个序列的数值为每个时刻之前的累计和（即差分曲线在每一时刻的面积）。

累计和的计算。

接着，e起来，然后和实际的序列比较。

最终我们在原规模上进行了预测。效果不太好，但是你应该能想到改进的办法~接下来怎么提升就看你的了。

结语

本文给出了一些解决时间序列问题的标准方法。讲了平稳性的概念，如何将时间序列变得尽可能平稳进而预测残差。本文省去了统计的细节，建议大家看看推荐链接中的材料。如果不想复制粘贴源程序，可以直接从 我的guyhub里下载。

希望本文能对你有所帮助。