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