时间序列 - 建模
简介
时间序列有 4 个组件，如下所示 −
Level − 级别，它是系列变化的平均值。
Trend − 趋势，它是变量随时间增加或减少的行为。
Seasonality − 季节性，它是时间序列的循环行为。
Noise − 噪音，这是由于环境因素而增加的观测误差。
时间序列建模技术
为了捕获这些组件，有许多流行的时间序列建模技术。 本节简要介绍了每种技术，但我们将在接下来的章节中详细讨论它们 −
Naïve 方法
这些是简单的估计技术，例如预测值被赋予等于时间相关变量的先前值或先前实际值的平均值的值。 这些用于与复杂的建模技术进行比较。
自动回归
自动回归将未来时间段的值预测为先前时间段值的函数。 自回归的预测可能比朴素方法更好地拟合数据，但它可能无法解释季节性。
ARIMA 模型
自回归积分移动平均将变量值建模为固定时间序列的先前时间步长的先前值和残差的线性函数。 然而，现实世界的数据可能是非平稳的并且具有季节性，因此开发了 Seasonal-ARIMA 和 Fractional-ARIMA。 ARIMA 处理单变量时间序列，以处理多个变量 VARIMA 被引入。
指数平滑
它将变量的值建模为先前值的指数加权线性函数。 该统计模型也可以处理趋势和季节性。
LSTM
长短期记忆模型 (LSTM) 是一种循环神经网络，用于时间序列以解释长期依赖关系。 它可以用大量数据进行训练，以捕捉多变量时间序列的趋势。
所述建模技术用于时间序列回归。 在接下来的章节中，现在让我们一一探讨。
