Временной ряд состоит из 4 компонентов, как указано ниже —
-
Уровень — это среднее значение, вокруг которого изменяется ряд.
-
Тренд. Поведение переменной в зависимости от времени.
-
Сезонность — это циклическое поведение временных рядов.
-
Шум — это ошибка в наблюдениях, добавленная из-за факторов окружающей среды.
Уровень — это среднее значение, вокруг которого изменяется ряд.
Тренд. Поведение переменной в зависимости от времени.
Сезонность — это циклическое поведение временных рядов.
Шум — это ошибка в наблюдениях, добавленная из-за факторов окружающей среды.
Методы моделирования временных рядов
Для захвата этих компонентов существует ряд популярных методов моделирования временных рядов. В этом разделе дается краткое введение в каждую технику, однако мы подробно обсудим их в следующих главах.
Наивные методы
Это простые методы оценки, например, прогнозируемому значению присваивается значение, равное среднему значению предшествующих значений зависимой от времени переменной или предыдущего фактического значения. Они используются для сравнения со сложными методами моделирования.
Авто Регрессия
Авторегрессия прогнозирует значения будущих периодов времени в зависимости от значений предыдущих периодов времени. Прогнозы авторегрессии могут лучше соответствовать данным, чем наивные методы, но они могут не учитывать сезонность.
ARIMA Модель
Авторегрессионное интегрированное скользящее среднее моделирует значение переменной как линейную функцию от предыдущих значений и остаточных ошибок на предыдущих временных шагах стационарных временных рядов. Однако данные реального мира могут быть нестационарными и иметь сезонность, поэтому были разработаны Seasonal-ARIMA и Fractional-ARIMA. ARIMA работает с одномерными временными рядами, для обработки нескольких переменных была введена VARIMA.
Экспоненциальное сглаживание
Он моделирует значение переменной как экспоненциально взвешенную линейную функцию предыдущих значений. Эта статистическая модель может также учитывать тенденции и сезонность.
LSTM
Модель долговременной кратковременной памяти (LSTM) — это рекуррентная нейронная сеть, которая используется для временных рядов для учета долгосрочных зависимостей. Он может быть обучен с большим количеством данных, чтобы уловить тенденции во множественных временных рядах.
Указанные методы моделирования используются для регрессии временных рядов. В следующих главах давайте теперь рассмотрим все это один за другим.