分類
發燒車訊

用python做時間序列預測一:初識概念_包裝設計

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

網動廣告出品的網頁設計,採用精簡與質感的CSS語法,提升企業的專業形象與簡約舒適的瀏覽體驗,讓瀏覽者第一眼就愛上她。

利用時間序列預測方法,我們可以基於歷史的情況來預測未來的情況。比如共享單車每日租車數,食堂每日就餐人數等等,都是基於各自歷史的情況來預測的。

什麼是時間序列?

  • 時間序列,是指同一個變量在連續且固定的時間間隔上的各個數據點的集合,比如每5分鐘記錄的收費口車流量,或者每年記錄的藥物銷量都是時間序列。

時間序列的類型

  • 根據時間間隔的不同,時間序列可以是按年度(Annual)、季度、月度、周、小時、分鐘、秒等頻率採集的序列。

時間序列的成分

  • 趨勢(Trend),比如長期上漲或長期下跌。
  • 季節性(Seasonal),比如羽絨服的銷量一般會在冬季更高,或者某家燒烤店的生意一般會在每周五和周六晚上更好。
  • 周期性(Cyclic),比如你時不時搞個大促,那麼銷量在那段時間就會比較好。
  • 誤差。

什麼是時間序列預測?

  • 就是用同一個變量的歷史值預測未來值,或者除了歷史值以外,還加入一些預測因子(又稱外生變量)來預測未來值。前者稱為單變量時間序列預測,後者稱為多變量時間序列預測。
  • 比如,我們要預測某海灘下個月的的遊客數量,除了用歷史遊客數量做預測外,還可以加入溫度這個因子。那麼只用歷史遊客數量做預測就是單變量時間預測,加入溫度這個因子就是多變量時間預測,當然還可以加入其它合理的預測因子,比如該海灘的每月廣告支出等。

一些簡單的預測方法

均值法

所有未來的預測值等於歷史數據的平均值。

樸素法

簡單的將最後一次觀測值作為未來的預測值。

季節性樸素法

相比樸素法,就是考慮了季節性,也就是說將同期的最後一次觀測值作為本期的預測值,比如預測本周的數值,那麼就將上周的周一觀測值作為本周的周一預測值,上周的周二觀測值作為本周的周二預測值,以此類推。

※產品缺大量曝光嗎?你需要的是一流包裝設計!

窩窩觸角包含自媒體、自有平台及其他國家營銷業務等,多角化經營並具有國際觀的永續理念。

漂移法(drift )

在起始觀測值和最後一次觀測值之間畫一條連接線,延伸到預測時間點,作為預測值,公式如下:

下面的2副圖展示了上面四種方法的預測效果:

常用的時間序列預測法

  • Exponential smoothing 指數平滑
    簡單說就是用過去的觀測值的加權平均值來作為預測值,權重隨着與當前時刻的距離變遠而呈指數衰減。
  • ARIMA
    簡單說就是用變量的自回歸(AR)與歷史預測誤差的自回歸(MA)構成的時間序列預測模型。
  • 基於深度學習的方法
    簡單說就是利用神經網絡強大的學習能力,從時間序列歷史數據中提取各種可能的特徵,從而對未來進行預測。這部分的模型比較多,比如LSTM,GRU,TCN等。

注意,上述的方法並不能說誰一定比誰好,不同的預測場景下每個方法都有可能做出更好的預測,所以通常需要相互比較,以便做出更合理的預測。

本篇介紹了時間序列的相關概念,下一篇將介紹時間序列的一般數據格式和基於python的可視化方法。

ok,本篇就這麼多內容啦~,感謝閱讀O(∩_∩)O。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

南投搬家公司費用需注意的眉眉角角,別等搬了再說!

上新台中搬家公司提供您一套專業有效率且人性化的辦公室搬遷、公司行號搬家及工廠遷廠的搬家服務