• 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

    拓端tecdat: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。

  • 相关阅读:
    记一次 .NET某新能源检测系统 崩溃分析
    Spring Boot 链路追踪 SkyWalking 入门
    如何在Java、C、Ruby语言中使用Newscatcher API
    Java拼图游戏
    (HAL库)实验1 点亮一个LED
    PAT(Advanced Level) Practice(with python)——1118 Birds in Forest
    制作翻页电子画册,手机观看更快捷
    基于某钉探索针对CEF框架的一些逆向思路
    redisson使用全解——redisson官方文档+注释(下篇)
    uniapp vue2 vuex 持久化
  • 原文地址:https://blog.csdn.net/tecdat/article/details/128101511