hg1088皇冠welcOme hg1088皇冠welcOme hg1088皇冠welcOme

常用的时间序列算法模型

时间序列中常用的预测技术 时间序列是变量在连续时间点或连续时间段内的一组观测值。

1. 移动平均线 (MA)

1.1。简单移动平均线

序列标注模型 rnn_长期时间序列预测模型_序列标注模型 实体识别

如果有一个时间序列y1,y2,...,那么按照数据点的顺序,可以逐点求N个数的平均值,得到一个移动平均。

1.2 趋势移动平均法

当时间序列没有明显的趋势变化时,使用移动平均线可以准确反映实际情况,使用第 t 期的移动平均线可以直接预测 1t+ 期的值。

长期时间序列预测模型_序列标注模型 实体识别_序列标注模型 rnn

当时间序列呈线性趋势时,使用移动平均线进行预测会有滞后偏差。修正方法是在第一次移动平均线的基础上做第二次移动平均线,利用移动平均线的滞后偏差定律找出曲线的发展方向和发展趋势,然后建立预测模型的线性趋势。它被称为趋势移动平均法。

2. 自回归模型(AR)

AR模型是一种线性预测,即给定N个数据,可以从模型中推导出第N个点之前或之后的数据(设置P点)。

长期时间序列预测模型_序列标注模型 实体识别_序列标注模型 rnn

本质类似于插值,其目的是增加有效数据,但AR模型是从N个点递归而来,而插值是从两个点(或几个点)推导出多个点长期时间序列预测模型,所以AR模型更多比插值法有效。这很好。

3. 自回归移动平均模型(ARMA)

建模思路可以概括为:逐渐增加模型的阶数,拟合一个更高阶的模型,直到模型的阶数再次增加,剩余残差方差不再显着减小。

序列标注模型 实体识别_长期时间序列预测模型_序列标注模型 rnn

4. GARCH 模型

回归模型。除了与普通回归模型相同的点外长期时间序列预测模型,GARCH 还对误差方差进行了建模。特别适用于波动率分析和预测。

5. 指数平滑

长期时间序列预测模型_序列标注模型 实体识别_序列标注模型 rnn

移动平均法的预测值本质上是以前观测值的加权和,对不同时期的数据赋予相同的权重。这往往与实际情况不符。

指数平滑法是对移动平均法的改进和发展,得到了广泛的应用。

基本思想是预测值是之前的观测值的加权和,不同的数据被赋予不同的权重,新数据被赋予更大的权重,旧数据被赋予更小的权重。

根据平滑次数的不同,指数平滑法分为:一指数平滑法、二指数平滑法和三指数平滑法等。