时间序列定义
时间序列(英语:time series)是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值(如1秒,5分钟,12小时,7天,1年),因此时间序列可以作为离散时间数据进行分析处理
时间序列特性
时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。
(1)趋势性:某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。
(2)周期性:某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。
(3)随机性:个别为随机变动,整体呈统计规律。
(4)综合性:实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动,突出反映趋势性和周期性变动。
单步预测/多步预测
通常,时间序列预测描述了预测下一个时间步长的观测值。这被称为“一步预测”,因为仅要预测一个时间步。在一些时间序列问题中,必须预测多个时间步长。与单步预测相比,这些称为多步时间序列预测问题。比如给定历史7天内的天气温度,单步预测就是预测第8天的温度,预测后续三天的气温就是多步预测。
时间序列多步预测的五种策略
(1) 直接多步预测
(2) 递归多步预测
(3) 直接+递归的混合策略
(4) 第五种策略:seq2seq结构
时间序列多步预测的五种策略 https://zhuanlan.zhihu.com/p/308764952
时间序列预测方法
- 时间序列预测的7种方法:https://www.biaodianfu.com/python-time-series-forecasting-methods.html
- 方法1:朴素法
- 方法2:简单平均法
- 方法3:移动平均法
- 方法4:简单指数平滑法
- 方法5:霍尔特(Holt)线性趋势法
- 方法6:Holt-Winters季节性预测模型
- 方法7:自回归移动平均模型(ARIMA)
- 时间序列预测方法总结 https://zhuanlan.zhihu.com/p/67832773
- 时间序列预测全攻略(附带Python代码) https://cloud.tencent.com/developer/article/1059136
- 时间序列预测方法最全总结! https://cloud.tencent.com/developer/article/1800614
- 时间序列预测方法综述 http://www.jsjkx.com/CN/10.11896%EF%BC%8Fj.issn.1002-137X.2019.01.004