所有文章 > 当前标签:时间序列分析
ARIMA中参数选择及相关问题
2025/02/07
ARIMA模型是一种常用的时间序列分析工具，其参数选择是影响预测精度的关键因素。在选择ARIMA中参数时，通常利用自相关函数(ACF)和偏自相关函数(PACF)图来确定自回归项数(p)和移动平均项数(q)，同时通过差分操作和单位根检验来确定差分次数(d)。此外，AIC和BIC等信息准则也可用于选择最优参数组合。合理选择ARIMA模型的参数，可以显著提高时间序列预测的精度，尤其在考虑数据的质量和外部变量影响时。
ARIMA Model 是什么：从概念到应用的全面解析
【日积月累】
ARIMA model是什么？ARIMA模型即自回归积分滑动平均模型，是一种用于时间序列预测的统计模型。通过结合自回归（AR）、差分（I）和移动平均（MA）三个部分，ARIMA能够捕捉数据的趋势和季节性变化。其优势在于适应性强，可处理多种时间序列数据，但要求数据平稳。ARIMA的参数p、d、q可通过自相关函数和偏自相关函数图确定，适用于线性时间序列，无法直接处理非线性数据。
2025/02/02
ARIMA模型的预测应用与实战解析
【日积月累】
本文深入分析了ARIMA模型在时间序列预测中的应用，重点探讨了模型的理论基础、建模步骤及参数调优技巧。以长江流量数据为例，详细阐述了ARIMA模型的构建和预测过程。文章强调了模型参数选择的重要性，包括自回归项数、差分阶数和移动平均项数，并对时间序列的平稳性和白噪声检验进行了讨论。通过实战案例，展示了如何准备数据、识别模型、估计参数和检验模型，为读者提供了宝贵的经验和见解。
2025/01/31
时间序列预测的基本概念和方法
【日积月累】
在这篇博客中，我们深入探讨了时间序列预测的基本概念和方法，涵盖了从单变量到多变量的预测技术。文章详细介绍了循环神经网络、一维卷积神经网络、Transformer、自回归模型等方法如何应用于时间序列预测，并分析了这些方法在不同预测任务中的适用性。此外，文章还强调了数据预处理和特征工程在提高预测准确性中的重要性，并介绍了一些常见的时间序列预测应用领域。
2025/01/22