Pandas 中的 EWM 用于时间序列转换

Posted 2023-02-15

【中文标题】Pandas 中的 EWM 用于时间序列转换

【英文标题】：EWM in pandas for timeseries transformation

【发布时间】：2021-02-10 23:10:21

【问题描述】：

我正在尝试使用 ARIMA 进行时间序列预测。 所以，作为第一步，我正在做一些系列转换

#Taking log transform
dflog=np.log(df)
#Taking exponential weighted mean`enter code here`
df_expwighted_mean = dflog.ewm(span=12).mean()
#Taking moving average
df_expwighted_mean_diff = dflog - df_expwighted_mean
#Differencing
df_diff = df_expwighted_mean_diff - df_expwighted_mean_diff.shift()
#filling zero for NaN
df_diff = df_diff.fillna(0)

在使用下面的代码之后，我非常能够回到原来的系列

# Take cumulative some to remove the differencing
bdf_expwighted_mean_diff = df_diff.cumsum()
# Add rolling mean as we originally reduced it
bdf_log=bdf_expwighted_mean_diff + df_expwighted_mean
#Take exponentiation as we originally did log transform
bdf=np.exp(bdf_log)

但是当我对预测的系列执行此操作时，问题就来了。 它失败了，因为我没有预测系列的 EWM。(pdf_expwighted_mean) 所以基本上，我想要一些方法来反转指数加权平均值。

df_expwighted_mean = dflog.ewm(span=12).mean()

有什么想法吗？

【参考方案1】：

在时间序列预测中反转指数加权平均值是没有意义的。指数加权平均值用于平滑时间序列，基本上您是在尝试从序列中去除噪声，否则会使序列难以预测。

例如：让红色系列是您的实际数据，蓝色是 EWMA 系列，绿色是下图中基于 EWMA 系列的预测系列

一旦您使用平滑序列进行预测，反转 EWMA 将意味着您向其添加噪声。您可以在源数据上使用它，因为您存储了原始数据中的噪声数据。通常，您只需按原样使用 EWMA 上的预测，即。无需反转 EWMA。

在您的情况下，只需执行 cumsum 和 exp（反向差分和记录）。

【讨论】：

这正是我遇到的问题。我想在使用 EWM 进行预测后返回原始值。如果我只使用对数变换或 box cox 变换或任何数学单值变换，我可以返回。但是这个EWMA，我做不到。即使是 WMA，我也找到了一些方法。

@JohnsonFrancis ，我是说你不能也不应该反向变换。 EWMA 去除噪音，反转它意味着添加噪音。在没有 EWMA 反向的情况下，预测仍然可用。您应该将 EWMA 视为清洁而不是转换。