第一篇记录了时间序列属性,将趋势、季节性等元素拆解、分别画出图表;
第二篇则介绍时间序列转换方法,透过缩放,让资料分布更趋於常态,让我们更好观察时序的类型。
从第三篇开始,我们会盘点时间序列预测方法,例如经典的统计模型:移动平均、ARIMA,再到最常见的机器学习回归模型、更适合处理多维特徵时间序列的递回神经网络等等。
我们将会介绍的统计模型有以下:
公式:
逻辑:假设过去多个时间点 与 未来时间点的值呈线性关系,使用过去多个时间点的线性组合对未来时间点做预测。
公式:
逻辑:
移动平均会比整体平均更能反映现况。
公式:
逻辑:
简单移动平均法的延伸,可在公式中对不同时间点设定权重。
公式:
逻辑:
对使用指数函数 (exponential function),越久以前的时间点,权重会呈指数衰减。
公式:
逻辑:整合移动平均自回归模型,从 ARMA 演变而来,多了 I(d) 先计算 differencing 多次让时序平稳化後,使用自回归 (AR) 及移动平均 (MA) 的线性组合进行时序预测;其中的 d 是指 differencing 次数。
公式:
逻辑:
使用两个 ES 分别计算 Level & Trend,再做线性组合。
公式:
逻辑:
在 Holt's Linear Trend Model 的基础上,多加一个 ES 计算 Seasonality,并延续第一篇介绍过的类型,分为 Additive 和 Multiplicative。
<<: [FGL] 再探资料库 - 使用 fgldbsch 工具
题目 实现一个资料结构,能支持下面4个操作: 执行每个操作,时间复杂度都要求为 O(1) Inc(s...
今天会结合上一篇的DAY15:HTTP GET请求的观念,并且加入一些不一样的东西,除了Nodejs...
今天来介绍我们是如何从自己需要和使用者的角度来定义功能 前面有说到我们想做一个一起做sideproj...
Menu 这个套件应用的范围很广,之前讲解过的 Select 也是用这里的 MenuItem 来替换...
Global.vue 要共用的全域参数 <script> const _token = ...