只需一行代码!Python中9大时间序列预测模型

Posted 读芯术

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了只需一行代码!Python中9大时间序列预测模型相关的知识,希望对你有一定的参考价值。


全文共961字,预计学习时长2分钟


只需一行代码!Python中9大时间序列预测模型


在时间序列问题上,机器学习被广泛应用于分类和预测问题。当有预测模型来预测未知变量时,在时间充当独立变量和目标因变量的情况下,时间序列预测就出现了。


预测值可以是潜在雇员的工资或银行账户持有人的信用评分。任何正式引入统计数据的数据科学都会遇到置信区间,这是某个模型确定性的衡量标准。


因此,预测一段时间内某些数据的价值需要特定的技术,并且需要多年的发展。


由于每种都有其特殊用途,必须注意为特定应用选择正确的技术。预测人员在技术选择中发挥作用,他们越了解预测可能性的范围,公司的预测工作就越有可能取得成果。


其方法的选择取决于预测的背景、历史数据的相关性和可用性、所需的准确度、预测的时间段、对企业的预测成本以及分析所需的时间。


影响预测的因素


· 增加或减少趋势


· 季节性


· 数据集的大小


时间序列的组成部分与数据本身一样复杂。随着时间的增加,获得的数据也会增加。有时候更多的数据并不意味着更多的信息,但是更大的样本避免了由于随机采样而产生的误差。


因此,对于每个应用程序,使用的技术都会发生变化。


只需一行代码!Python中9大时间序列预测模型

来源:数据科学博客


在本文中,我们列出了最广泛使用的时间序列预测方法,只需一行代码就可以在Python中使用它们:


1. Autoregression(AR)


AR方法在先前时间步骤中模拟为观察的线性函数。


模型的表示法涉及指定模型p的顺序作为AR函数的参数。


from statsmodel.tsa.ar_model import AR



2. Autoregressive Moving Average(ARMA)


ARMA方法结合了自回归(AR)模型和移动平均(MA)模型。


from statsmodel.tsa.arima_model import ARMA



3. Autoregressive Integrated Moving Average(ARIMA)


ARIMA方法结合自回归(AR)和移动平均(MA)模型以及序列的差分预处理步骤以使序列静止,称为积分。


from statsmodel.tsa.arima_model import ARIMA



4. Seasonal Autoregressive Integrated Moving-Average (SARIMA)


SARIMA方法将序列中的下一步建模为先前时间步骤的差异观测值、误差、差异性季节观测值和季节性误差的线性函数。


它结合了ARIMA模型,能够在季节性水平上执行相同的自回归、差分和移动平均建模。


from statsmodel.tsa.statespace.sarimax import SARIMAX



5. Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX)


SARIMAX是SARIMA模型的扩展,还包括外生变量的建模。


SARIMAX方法还可用于使用外生变量对包含的模型进行建模,例如ARX,MAX,ARMAX和ARIMAX。


from statsmodel.tsa.statespace.sarimax import SARIMAX



只需一行代码!Python中9大时间序列预测模型


6. Vector Autoregression (VAR)


向量自回归方法使用AR模型。AR是多个并行时间序列的推广。


from statsmodel.tsa.vector_ar.var_model import VAR



7. Vector Autoregression Moving-Average (VARMA)


这是ARMA对多个并行时间序列的推广,例如,多变量时间序列。


from statsmodel.tsa.statespace.varmax import VARMAX



8. Vector Autoregression Moving-Average with Exogenous Regressors(VARMAX)


VARMAX是VARMA模型的扩展,它还包括外生变量的建模。它是ARMAX方法的多变量版本。


9. Holt Winter’s Exponential Smoothing (HWES)


HWES是在先前时间步骤的观测的指数加权线性函数,将考虑趋势和季节性因素。


from statsmodel.tsa.holtwinters import ExponentialSmoothing


我们一起分享AI学习与发展的干货


编译组:草田

相关链接:

https://www.analyticsindiamag.com/time-series-forecasting-methods-in-python/


如需转载,请后台留言,遵守转载规范


推荐文章阅读



读芯君爱你


以上是关于只需一行代码!Python中9大时间序列预测模型的主要内容,如果未能解决你的问题,请参考以下文章

图神经网络之预训练大模型结合:ERNIESage在链接预测任务应用

如何从这些预训练模型中获得预测?

用 Python 拟合和预测数据库中每一行的线性回归

综述 | 基于大预训练语言模型的自然语言处理

如何使用预训练的 .caffemodel 在 python 上对单个图像执行预测

太香啦!只需一行Python代码就可以自动训练N个模型!