Python用广义加性模型GAM进行时间序列分析

每当你发现一个与时间对应的趋势时，你就会看到一个时间序列。我们围绕广义加性模型GAM技术进行一些咨询，帮助客户解决独特的业务问题。研究金融市场表现和天气预报的事实上的选择，时间序列是最普遍的分析技术之一，因为它与时间有着不可分割的关系 - 我们总是有兴趣预测未来。 

 视频：R语言广义相加模型（GAM）在电力负荷预测中的应用

时间相关模型

一种直观的预测方法是参考最近的时间点。今天的股价可能会比昨天的价格更接近五年前的价格。因此，在预测今天的价格时，我们会比最近的价格更重要。过去和现在值之间的这些相关性表明了时间依赖性，它形成了一种流行的时间序列分析技术ARIMA（自回归整合移动平均线）的基础。ARIMA既考虑季节变化又考虑过去的一次性“冲击”以作出未来预测。

但是，ARIMA做出了严格的假设。要使用ARIMA，趋势应该有规律的时期，以及不变的均值和方差。例如，如果我们想分析一个增长的趋势，我们必须首先对趋势进行变换，让其稳定。而且，如果我们缺少数据，ARIMA将无法工作。

我们可以考虑一种替代方法，如神经网络。长期短期记忆（LSTM）网络是一种基于时间依赖性建立模型的神经网络。虽然高度准确，但神经网络缺乏可解释性 - 很难确定导致特定预测的模型。

模型

除了使用类似时间点的值之间的相关性之外，我们可以退后一步对整体趋势进行建模。时间序列可以被看作是个体趋势的总和。举例来说，谷歌搜索柿子的数据量，一种水果的趋势。

从图1中，我们可以推断柿子可能是季节性的。随着11月份供应量达到峰值，杂货店的顾客可能会被要求谷歌营养知识或柿子食谱。

图1.谷歌搜索'柿子'的季节性趋势 

此外，谷歌搜索柿子的情况在过去几年中也越来越频繁。