时间序列分析 | Python实现Auto-ARIMA时间序列分析

时间序列分析 | Python实现Auto-ARIMA时间序列分析

目录

    • 时间序列分析 | Python实现Auto-ARIMA时间序列分析
      • 基本介绍
      • 程序设计
      • 学习总结

基本介绍

ARIMA模型是一种随机时序分析,是一个经典的时间序列模型。该模型实质是差分运算和ARMA模型的组合。但由于ARIMA模型需要调整的参数比较多且网格寻优速度比较慢,所以Auto-ARIMA应运而生。

程序设计

  • 时间序列数据包含大量信息,但通常是不可见的。与时间序列相关的常见问题是无序时间戳、缺失值(或时间戳)、异常值和数据中的噪声。在所有提到的问题中,处理缺失值是最困难的一个,因为传统的插补(一种通过替换缺失值来保留大部分信息来处理缺失数据的技术)方法在处理时间序列数据时不适用。为了分析这个预处理的实时分析,我们将使用 Kaggle 的 Air Passenger 数据集。
  • 时间序列数据通常以非结构化格式存在,即时间戳可能混合在一起并且没有正确排序。另外在大多数情况下,日期时间列具有默认的字符串数据类型,在对其应用任何操作之前,必须先将数据时间列转换为日期时间数据类型。让我们将其实现到我们的数据集中:
 
 

你可能感兴趣的:(时间序列分析(Python),#,经济数据分析,python,机器学习,数据分析,时间序列分析)