首先，從時間的角度可以把一個序列基本分為3類：

1.純隨機序列（白噪聲序列），這時候可以停止分析，因為就像預測下一次硬幣哪一面朝上一樣毫無規(guī)律。

2.平穩(wěn)非白噪聲序列，它們的均值和方差是常數(shù)，對于這類序列，有成熟的模型來擬合這個序列在未來的發(fā)展狀況，如AR，MA，ARMA等（具體模型算法及實現(xiàn)在后面）

3.非平穩(wěn)序列，一般做法是把他們轉(zhuǎn)化為平穩(wěn)的序列，在按照平穩(wěn)序列的算法進行擬合。如果經(jīng)過差分后平穩(wěn)，則應使用ARIMA模型進行擬合。

注：本文模型采用的數(shù)據(jù)為某餐廳一個多月內(nèi)的銷量數(shù)據(jù)，包含兩個特征：時間和銷量

Q1：序列的平穩(wěn)性用什么來衡量呢？

方法1：

根據(jù)時序圖和自相關圖的特征做出主觀的判斷，如下圖：
時序圖：

自相關圖：

從上圖可以基本看出，自相關系數(shù)的絕對值長期都保持了較大的值，所以可以判斷上述時間序列存在自相關性。

平穩(wěn)的序列自相關圖和偏自相關圖不是拖尾就是截尾。

截尾就是在某階之后，系數(shù)都為 0 。
拖尾就是有一個衰減的趨勢，但是不都為 0 。

從自相關圖來看，呈現(xiàn)三角對稱形式，不存在截尾或拖尾，屬于單調(diào)序列的典型表現(xiàn)形式，原始數(shù)據(jù)屬于不平穩(wěn)序列。

注：

• 如果自相關是拖尾，偏相關截尾，則用 AR 算法

• 如果自相關截尾，偏相關拖尾，則用 MA 算法

• 如果自相關和偏相關都是拖尾，則用 ARMA 算法， ARIMA 是 ARMA 算法的擴展版，用法類似 。

相關系數(shù)的計算方法：

VAR表示方差

方法2：

根據(jù)單位根檢驗

如果存在單位根，則此序列為隨機非平穩(wěn)序列

Q2：平穩(wěn)序列應該怎么分析呢？

目前最常用的擬合平穩(wěn)序列的模型為ARMA（Autoregressive moving average）模型，全稱是自回歸移動平均模型，他又可以分為AR模型，MA模型和ARMA模型三大類。

1.自回歸AR(p)模型

自回歸模型描述的是當前值與歷史值之間的關系。

2.移動平均MA(q)模型

移動平均模型描述的是自回歸部分的誤差累計。

3.ARMA(p,q)模型

ARMA(p,q)模型中包含了p個自回歸項和q個移動平均項，ARMA(p,q)模型可以表示為：

當q=0時，是AR(p)模型
當p=0時，是MA(q)模型

一般分析步驟：

Q3：非平穩(wěn)序列怎么分析呢？

從上面的模型中可以看出，如果是非平穩(wěn)序列，我們需要先把它轉(zhuǎn)為平穩(wěn)序列之后再進行分析。

一般我們使用ARIMA(Autoregressive Integrated Moving Average model)進行分析

ARIMA（p，d，q）中，AR是”自回歸”，p為自回歸項數(shù)；MA為”滑動平均”，q為滑動平均項數(shù)，d為使之成為平穩(wěn)序列所做的差分次數(shù)（階數(shù)）。

“差分”一詞雖未出現(xiàn)在ARIMA的英文名稱中，卻是關鍵步驟。

Q4：舉個栗子看下唄！

讀取數(shù)據(jù)

#-*- coding: utf-8 -*- #arima時序模型import pandas as pd#參數(shù)初始化 discfile = '../data/arima_data.xls' forecastnum = 5#讀取數(shù)據(jù)，指定日期列為指標，Pandas自動將“日期”列識別為Datetime格式 data = pd.read_excel(discfile, index_col = u'日期')

自相關檢測

#時序圖 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標簽 plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負號 data.plot() plt.show()#自相關圖 from statsmodels.graphics.tsaplots import plot_acf plot_acf(data).show()#平穩(wěn)性檢測 from statsmodels.tsa.stattools import adfuller as ADF print(u'原始序列的ADF檢驗結(jié)果為：', ADF(data[u'銷量'])) #返回值依次為adf、pvalue、usedlag、nobs、critical values、icbest、regresults、

自相關圖

可以看出自相關系數(shù)的絕對值長期都保持很大，多以基本判斷存在自相關性。

ADF檢測結(jié)果p值顯著大于0.05（p=0.9983），最終判斷為非平穩(wěn)序列

一階差分后繼續(xù)檢測

#差分后的結(jié)果 D_data = data.diff().dropna() D_data.columns = [u'銷量差分'] D_data.plot() #時序圖 plt.show() plot_acf(D_data).show() #自相關圖 from statsmodels.graphics.tsaplots import plot_pacf plot_pacf(D_data).show() #偏自相關圖 print(u'差分序列的ADF檢驗結(jié)果為：', ADF(D_data[u'銷量差分'])) #平穩(wěn)性檢測#白噪聲檢驗 from statsmodels.stats.diagnostic import acorr_ljungbox print(u'差分序列的白噪聲檢驗結(jié)果為：', acorr_ljungbox(D_data, lags=1)) #返回統(tǒng)計量和p值

上圖是差分后的銷量結(jié)果

自相關圖顯示出1階截尾的性質(zhì)

偏自相關圖顯示出1階拖尾的性質(zhì)

從ADF的結(jié)果（p=0.0226）和自相關圖以及偏自相關圖中可以看出一階差分后的序列是平穩(wěn)的非白噪聲序列。

給ARIMA模型定階
從一階差分后的序列是平穩(wěn)的非白噪聲序列可以看出ARIMA模型中的d=1

定階方法：
1.人為判斷：自相關圖顯示出從第1階之后的截尾性質(zhì)，偏自相關圖從第1階之后顯示出拖尾的性質(zhì)，所以人為判斷使用MA(1)模型，即ARMA(0,1,1)
2.相對最優(yōu)模型識別，當p和q均小于等于3的所有組合的BIC信息量，取其中BIC信息量達到最小的模型階數(shù)。

#定階 pmax = int(len(D_data)/10) #一般階數(shù)不超過length/10 qmax = int(len(D_data)/10) #一般階數(shù)不超過length/10 bic_matrix = [] #bic矩陣 for p in range(pmax+1):tmp = []for q in range(qmax+1):try: #存在部分報錯，所以用try來跳過報錯。tmp.append(ARIMA(data, (p,1,q)).fit().bic)except:tmp.append(None)bic_matrix.append(tmp)bic_matrix = pd.DataFrame(bic_matrix) #從中可以找出最小值p,q = bic_matrix.stack().idxmin() #先用stack展平，然后用idxmin找出最小值位置。 print(u'BIC最小的p值和q值為：%

• 17

BIC矩陣
取其中BIC信息量達到最小的模型階數(shù)。

確定p=0，q=1

擬合模型

model = ARIMA(data, (p,1,q)).fit() #建立ARIMA(0, 1, 1)模型 model.summary2() #給出一份模型報告 model.forecast(5) #作為期5天的預測，返回預測結(jié)果、標準誤差、置信區(qū)間。

最終得到模型的預測結(jié)果

數(shù)據(jù)和完整代碼可以通過在留言中留下郵箱獲取哦~

版權(quán)聲明：歡迎轉(zhuǎn)載，轉(zhuǎn)載請注明出處：土豆洋芋山藥蛋：http://blog.csdn.net/qq_33414271 https://blog.csdn.net/qq_33414271/article/details/79588126

總結(jié)

以上是生活随笔為你收集整理的时间序列相关算法与分析步骤的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。