模塊10 時間序列挖掘《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》教學(xué)課件_第1頁
模塊10 時間序列挖掘《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》教學(xué)課件_第2頁
模塊10 時間序列挖掘《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》教學(xué)課件_第3頁
模塊10 時間序列挖掘《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》教學(xué)課件_第4頁
模塊10 時間序列挖掘《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》教學(xué)課件_第5頁
已閱讀5頁,還剩26頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》?精品課件合集《Python數(shù)據(jù)挖掘?qū)崙?zhàn)》

第十章時間序列挖掘二、

時間序列預(yù)處理

一、時間序列挖掘概述主要內(nèi)容三、平穩(wěn)非白噪聲時間序列建模四、非平穩(wěn)時間序列建模

五、基于Python的ARIMA模型實(shí)現(xiàn)一、時間序列挖掘概述

時間序列是按照發(fā)生時間順序進(jìn)行排序的一組隨機(jī)變量。宏觀上來說,是在不同時刻觀測結(jié)果的集合,即按照時間發(fā)生順序把隨機(jī)事件或變量的發(fā)展過程、趨勢記錄下來就構(gòu)成了一條時間序列。

時序數(shù)據(jù)挖掘的目的是通過對歷史時間序列數(shù)據(jù)進(jìn)行觀測、分析或研究以尋找其變化發(fā)展規(guī)律,并用于預(yù)測它未來變化的規(guī)律或趨勢。

時間序列挖掘在諸多行業(yè)中廣泛應(yīng)用:金融股市城市交通流量一、時間序列挖掘概述

一、時間序列挖掘概述

時間序列一般包括以下特征:趨勢性:時間序列在長時間內(nèi)呈現(xiàn)出來的上升或下降的趨勢。季節(jié)性:時間序列在一定時間范圍內(nèi)表現(xiàn)出來的周期性波動。例如,航空業(yè)的銷售淡季和銷售旺季。隨機(jī)性:時間序列的無規(guī)律地、偶然性地隨機(jī)波動。

一、時間序列挖掘概述

時間序列一般包括以下特征:趨勢性:時間序列在長時間內(nèi)呈現(xiàn)出來的上升或下降的趨勢。季節(jié)性:時間序列在一定時間范圍內(nèi)表現(xiàn)出來的周期性波動。例如,航空業(yè)的銷售淡季和銷售旺季。隨機(jī)性:時間序列的無規(guī)律地、偶然性地隨機(jī)波動。

時間序列分為平穩(wěn)序列和非平穩(wěn)序列兩大類。平穩(wěn)序列是不存在趨勢只存在隨機(jī)性的序列,非平穩(wěn)序列則是包含趨勢、季節(jié)性和隨機(jī)性的序列。一、時間序列挖掘概述

1.時間序列的類型:

純隨機(jī)序列:指序列上的隨機(jī)變量之間沒有任何相關(guān)關(guān)系,它們完全隨機(jī)地波動。

平穩(wěn)非白噪聲序列:序列的均值和方差是常數(shù)

非平穩(wěn)序列:序列的均值和方差不為常數(shù),有明顯的趨勢性或季節(jié)性變化。二、時間序列預(yù)處理

二、時間序列預(yù)處理

二、時間序列預(yù)處理

3.平穩(wěn)性檢驗(yàn)(1)

時序圖檢驗(yàn)

依據(jù)是根據(jù)平穩(wěn)序列具有常數(shù)均值和常數(shù)方差這一性質(zhì),主觀判斷該序列是否具有平穩(wěn)性?!?950年-1998年北京城鄉(xiāng)居民定期儲蓄占比”的時序圖二、時間序列預(yù)處理

3.平穩(wěn)性檢驗(yàn)(2)

自相關(guān)圖檢驗(yàn)

對于平穩(wěn)序列,隨著延遲期數(shù)k的增加,平穩(wěn)序列的自相關(guān)系數(shù)會比較快的衰減到零,并且在零附近隨機(jī)波動。而對于非平穩(wěn)序列,它的自相關(guān)系數(shù)衰減較慢。?!?950年-1998年北京城鄉(xiāng)居民定期儲蓄占比”的自相關(guān)圖二、時間序列預(yù)處理

二、時間序列預(yù)處理

二、時間序列預(yù)處理

三、平穩(wěn)非白噪聲時間序列建模

三、平穩(wěn)非白噪聲時間序列建模

AR模型具有如下性質(zhì),三、平穩(wěn)非白噪聲時間序列建模

三、平穩(wěn)非白噪聲時間序列建模

MA(q)模型有如下性質(zhì)三、平穩(wěn)非白噪聲時間序列建模

三、平穩(wěn)非白噪聲時間序列建模

ARMA(p,q)模型具有如下的性質(zhì)三、平穩(wěn)非白噪聲時間序列建模

4建模過程

當(dāng)某個時間序列經(jīng)過預(yù)處理后被判定為平穩(wěn)非白噪聲序列時,就可以利用ARMA(p,q)模型進(jìn)行建模,主要是確定模型的階數(shù)p和q。具體的步驟如下所示三、平穩(wěn)非白噪聲時間序列建模

三、平穩(wěn)非白噪聲時間序列建模

5模型檢驗(yàn)方法

對于一個好的擬合模型來說,其擬合殘差項(xiàng)中將不再覆蓋任何相關(guān)信息,即模型的殘差序列是一個白噪聲序列,所以對模型的顯著性檢驗(yàn)就是對殘差序列的白噪聲檢驗(yàn)。

三、平穩(wěn)非白噪聲時間序列建模

5模型檢驗(yàn)方法

對于一個好的擬合模型來說,其擬合殘差項(xiàng)中將不再覆蓋任何相關(guān)信息,即模型的殘差序列是一個白噪聲序列,所以對模型的顯著性檢驗(yàn)就是對殘差序列的白噪聲檢驗(yàn)。

一般可以通過對序列進(jìn)行正態(tài)性檢驗(yàn)和DW檢驗(yàn)來判定殘差序列是否為白噪聲序列。對模型的正態(tài)性檢驗(yàn):該方法用于檢驗(yàn)殘差是否具有正態(tài)性,當(dāng)p值>0.05時認(rèn)為序列不具有正態(tài)性,則拒絕原假設(shè),說明殘差序列中還存在相關(guān)信息殘留。對于模型的DW檢驗(yàn)(自相關(guān)性):當(dāng)檢驗(yàn)結(jié)果靠近0時說明序列正自相關(guān),靠近2時說明不具有太高的相關(guān)性,當(dāng)靠近4時說明具有負(fù)自相關(guān)性。四、非平穩(wěn)時間序列建模

非平穩(wěn)時間是指具有趨勢性、季節(jié)性和隨機(jī)性特點(diǎn)的序列,其均值或方差不為常數(shù)。目前,非平穩(wěn)時間序列的分析方法常包括兩大類:一是確定性因素分解的時序分析;二是隨機(jī)時序分析。確定性因素分解的方法是把時間序列的變化歸結(jié)為長期趨勢、季節(jié)變動、循環(huán)波動和隨機(jī)波動這四個因素。隨機(jī)時序分析方法通過差分等運(yùn)算將非平穩(wěn)時間序列模型轉(zhuǎn)換為平穩(wěn)時間序列,然后再使用ARMA等模型進(jìn)行建模。四、非平穩(wěn)時間序列建模

四、非平穩(wěn)時間序列建模

2.ARIMA模型ARIMA模型的實(shí)質(zhì)就是差分運(yùn)算和ARMA模型的組合。對差分平穩(wěn)序列做d階差分后得到一個平穩(wěn)序列,然后使用ARMA建模,這樣的模型稱之為“ARIMA(p,d,q)”模型。顯然,差分階數(shù)為d=0時,ARIMA模型就退化為ARMA模型五、基于Python的實(shí)現(xiàn)

Python的statsmodels.tsa.arima.model模塊給出了ARIMA模型的實(shí)現(xiàn)類,它的基本語法為:ARIMA(endog,order=(p,d,q))

它的主要參數(shù)、屬性和函數(shù)情況如下表所示。五、基于Python的實(shí)現(xiàn)

Python的s

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論