多变量时间序列的预测和建模指南(附Python代码)

时间是决定企业兴衰的最关键因素。这就是为什么我们看到商店和电子商务平台的销售与节日一致。这些企业分析多年的消费数据,以了解打开大门的最佳时间,并看到消费支出的增加。

但是,作为一个数据科学家,你怎么能进行这种分析呢?别担心,你不需要建造一台时间机器!时间序列建模是一种强大的技术,是理解与预测趋势和模式的门户。

但是即使是时间序列模型也有不同的方面。我们在Web上看到的大多数例子都是用单变量时间序列来处理的。不幸的是,现实世界的用例并不是这样工作的。有多个变量在起作用,同时处理所有这些变量是数据科学家体现其价值的地方。

在这篇文章中,我们将了解什么是多元时间序列,以及如何处理它。我们还将在Python中进行案例研究并实现它,以使您对该主题有实际的理解。目录表

  • 单变量与多变量时间序列

— —单变量时间序列

— —多元时间序列

  • 多变量时间序列-向量自回归(VAR)的处理

  • 为什么我们需要VAR?

  • 多变量时间序列的平稳性

  • 训练验证拆分

  • Python实现1.单变量与多变量时间序列


本文假定读者熟悉单变量时间序列的性质,以及用于预测的各种技术。由于本文将重点讨论多变量时间序列,因此我建议您阅读以下文章,这些文章可以作为对单变量时间序列的良好介绍:

  • 时间序列预测综合指南

  • 使用Auto ARIMA构建高性能时序模型

但是,在讨论多元时间序列的细节之前,我将快速地介绍一下什么是单变量时间序列。让我们逐一观察它们的差异。

1.1单变量时间序列

一个单变量时间序列,顾名思义,是一个具有单一时间依赖变量的序列。

例如,在过去的2年中,查看下面的样本数据集,该数据集包括温度值(每小时)。这里,温度是因变量(取决于时间)。

如果要求我们预测未来几天的温度,我们将查看过去的值,并尝试测量和提取一个模式。我们会注意到早晨和晚上的温度较低,下午则达到峰值。此外,如果你有过去几

你可能感兴趣的:(学习,安全,网络安全,密码学,web安全)