时间序列预测 | Python实现ARIMA时间序列数据预测

时间序列预测 | Python实现ARIMA时间序列数据预测

基本介绍

时间序列预测是机器学习中一个经常被忽视的重要领域。时间序列在观察之间添加了显式的顺序依赖性：时间维度。这个额外的维度既是一个约束，也是一个提供额外信息来源的结构。

• 使用经典统计时，主要关注的是时间序列的分析。时间序列分析涉及开发能够最好地捕捉或描述观察到的时间序列的模型，以了解根本原因。该研究领域寻求时间序列数据集背后的“为什么”。
• 在时间序列数据的经典统计处理中，对未来进行预测称为外推。更现代的领域关注该主题并将其称为时间序列预测。预测涉及采用适合历史数据的模型并使用它们来预测未来的观察结果。描述性模型可以借用未来（即平滑或去除噪声），它们只寻求最好地描述数据。预测的一个重要区别是未来是完全不可用的，只能根据已经发生的事情来估计。
• 时间序列分析提供了一系列技术来更好地理解数据集。也许其中最有用的是将时间序列分解为 4 个组成部分：

• 1.等级 如果系列是直线，则为该系列的基线值。
• 2.趋势 系列随时间的可选且通常线性增加或减少的行为。
• 3.季节性 随着时间的推移，可选的重复模式或行为循环。
• 4.噪音 模型无法解释的观测值中的可选变异性。
• 5.所有时间序