Python数据挖掘建模 chapter_8 时间序列算法
来源:互联网 发布:手机淘宝开店流程步骤 编辑:程序博客网 时间:2024/04/28 21:22
1.常用时间序列模型
平滑法移动平滑法,指数平滑法趋势拟合法线性拟合,曲线拟合组合模型受长期趋势,季节变动,周期变动,不规则变动等要素影响AR模型以前q期序列值为自变量MA模型随机变量与前q期随机扰动有关ARMA模型与前q期序列值和随机扰动有关ARIMA模型适用于差分平稳序列ARCH模型可准确模拟序列值波动变化GARCH模型广义ARCH模型,可反映序列长期记忆性、信息非对称性2.预处理
平稳性检验:时序图检验、自相关图检验、单位更检验
非随机性检验
3.
数据举例
#-*- coding: utf-8 -*-import pandas as pd#参数初始化discfile = 'data.xls'forecastnum = 5#读取数据,指定日期列为指标data = pd.read_excel(discfile, index_col = u'date')#时序图import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号data.plot()plt.show()#自相关图from statsmodels.graphics.tsaplots import plot_acfplot_acf(data).show()#平稳性检测from statsmodels.tsa.stattools import adfuller as ADFprint(u'原始序列的ADF检验结果为:', ADF(data[u'sale_num']))#返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore D_data = data.diff().dropna()D_data.columns = [u'销量差分']D_data.plot() #时序图plt.show()plot_acf(D_data).show() #自相关图from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(D_data).show() #偏自相关图print(u'差分序列的ADF检验结果为:', ADF(D_data[u'销量差分'])) #平稳性检测#白噪声检验from statsmodels.stats.diagnostic import acorr_ljungboxprint(u'差分序列的白噪声检验结果为:', acorr_ljungbox(D_data, lags=1)) #返回统计量和p值from statsmodels.tsa.arima_model import ARIMAdata[u'sale_num'] = data[u'sale_num'].astype(float)#定阶pmax = int(len(D_data)/10) qmax = int(len(D_data)/10) bic_matrix = [] #bic矩阵for p in range(pmax+1): tmp = [] for q in range(qmax+1): try: tmp.append(ARIMA(data, (p,1,q)).fit().bic) except: tmp.append(None) bic_matrix.append(tmp)bic_matrix = pd.DataFrame(bic_matrix) #从中可以找出最小值p,q = bic_matrix.stack().idxmin() #先用stack展平,然后用idxmin找出最小值位置。print(u'BIC最小的p值和q值为:%s、%s' %(p,q)) model = ARIMA(data, (p,1,q)).fit() #建立ARIMA(0, 1, 1)模型model.summary2() #给出一份模型报告model.forecast(5) #作为期5天的预测,返回预测结果、标准误差、置信区间。
阅读全文
0 0
- Python数据挖掘建模 chapter_8 时间序列算法
- 数据挖掘算法-时间序列
- Python数据挖掘建模 chapter_5 神经网络算法
- 时间序列数据挖掘
- Python数据挖掘建模_chapter_1
- 时间序列数据挖掘综述
- 数据挖掘:时间序列分析
- Python笔记-数据挖掘建模过程
- Python数据挖掘建模 chapter_2决策树
- Python数据挖掘建模 chapter_3 聚类
- Python数据挖掘建模 chapter_4 相关性分析
- Python数据挖掘建模 chapter_7 关联规则
- Python数据分析与挖掘实战—挖掘建模
- 数据挖掘之 时间序列分析
- 机器学习 数据挖掘 推荐系统 时间序列挖掘-预测算法-三次指数平滑法(Holt-Winters)
- 数据挖掘--序列挖掘
- 数据挖掘及其建模
- 数据挖掘及其建模
- 深搜
- spring中无法读取properties文件中属性的解决方法
- CSS3 透明属性 RGBA 和 opacity
- 修正jdbc调用mysql的时区不一致问题
- PAT:B1011 A+B 和C
- Python数据挖掘建模 chapter_8 时间序列算法
- 格式字符串的用法string.Format
- swift 重命名+-*/=,让它们更强大,为你所用
- 《Linux基础》学生实验报告5
- Superset连接SQLServer(MSSQL)
- YAML 语言格式
- java中IO流的理解及用法(部分)
- 开源框架BaseRecyclerViewAdapterHelper使用——RecyclerView万能适配器
- 存储器(二) -- 主存(一)