時間序列分析是機器學習中常見的一種類型。經(jīng)常用來以下幾種問題：
- 銷量預測 2. 金融分析
時間序列分析這個領域內(nèi)通常有兩種解決問題的方式：
- 譜分析：通過傅里葉變換將時域變換到頻域妹蔽，然后對頻域數(shù)據(jù)進行分析
- 時域分析：從序列自相關的角度揭示時間序列的發(fā)展規(guī)律
目前常用第二種方法。下面默認時間序列分析方法指的是第二種郭卫。
時間序列分析一個重要的假設就是序列是平穩(wěn)的辱揭，包括AR(自回歸Auto Regressive)、MA(Moving Average 移動平均)以及ARMA(Auto Regressive Moving Average) 這幾個模型都對待建模序列有這個要求嗤疯。ARIMA(Auto Regressive Integrated Moving Average Model 差分整合移動平均模型) 可以對非平穩(wěn)的序列進行預測树姨，前提是ARIMA可以通過差分獲得平穩(wěn)序列摩桶。
故進行時間序列分析需要進行以下幾步：
-
檢測序列平穩(wěn)性
方法有 ADF-Test(Augmented Dickey-Fuller Test)
如果存在單位根，則序列非穩(wěn)定帽揪，無法進行分析 -
對不平穩(wěn)的序列進行差分
可以差分一次或者多次硝清，然后對數(shù)據(jù)進行穩(wěn)定性分析∽可以通過 繪圖或者ADF-Test進行
直到處理后的自相關函數(shù)和偏自相關函數(shù)數(shù)值非顯著非零芦拿。 -
建模
如果偏自相關函數(shù)是截尾，而自相關函數(shù)是拖尾查邢，則建立AR模型
如果偏自相關函數(shù)是拖尾蔗崎，而自相關函數(shù)是截尾，則建立MA模型
如果偏自相關函數(shù)和自相關函數(shù)都是拖尾扰藕，則建立ARMA模型
-
模型檢驗
判斷殘差序列是否為白噪聲缓苛，如果是，則表示建模成功
