《时间序列预测实践教程》3
来源:互联网 发布:seo网站日志分析工具 编辑:程序博客网 时间:2024/05/20 18:51
第六章 平滑方法
讨论集中依赖于平滑处理的时间序列预测方法。平滑处理时对多个观测值进行平均以减少噪音。先从两种简单的平滑处理入手,移动平均法和简单指数平滑法,适合预测不带有趋势和季节性的时间序列。两种方法的预测值都是序列过去值的平均值(在序列历史值得长度和历史值得权重分配不同)同时给出了怎样对移动平均略加变化来进行数据的可视化。然后介绍适合带有趋势性和季节性的时间序列的平滑处理方法。平滑处理时数据驱动的方法,可适应随时间变化的时间序列的变化,尽管平滑方法高度自动化,但还是需要给出参数,决定平滑适应新数据的快慢。讨论参数的选择及意义。
第七章 其他预测方法
7.1预测中如何应用外部信息
引入哪些+如何引入
1.滞后预测变量和预测变量的预测
比如用每周汽油价格作为外部信息预测机票价格:一是用上一周的汽油价格来预测这周的机票;二是用预测出的这周的汽油价格来预测这周的机票。
2.训练集时间段和模型更新
7.2预测二元结果
性能评估使用分类矩阵,也称为混淆矩阵
7.3 逻辑回归
例如对胜率进行预测。例预测是否下雨
7.4 神经网络
高度数据驱动,需要少量用户输入,黑盒。预测性能随问题不同而不同。
1.神经网络模型。创建多层次的衍生变量。在每一层中对输入进行操作产生输入变量,作为下一层的输入。一般有三类层:输入层,隐藏层,输出层。
每层有一个或多个节点,每个节点表示一个变量。隐藏层的节点为衍生变量,是输入变量的某个单调函数值或加权和。常见隐藏层函数有线性,指数,s型。
线性回归,逻辑回归,自回归都可以看做是没有隐藏层的神经网络模型。实际中应用最好的是简单的或没有隐藏层的。
2.预处理:创建衍生预测变量,剔除有缺失值的行,变量尺度变换(输入变量范围在【0,1】或【-1,1】之间最好),剔除趋势和季节因素
3.用户输入
输入层节点数,隐藏层数,每个隐藏层的节点数,选择核函数,输出节点数
4.例
5.输出:包含模型参数估计,训练集和验证集的性能指标。
第八章 沟通和维护
8.1预测结果报告
单个时间序列,绘制预测数据和元数据的时序图
同时在图标上给出预测区间
8.2预测检测
绘制实际时间序列和预测值时间序列的时序图,看偏离方向和幅度。
绘制预测误差的时序图,看预测精确度的恶化。
质量控制图是一种含有控制上界和下届的时序图。
8.3写报告。 执行摘要+技术摘要
8.4保持预测记录。
8.5决策者的预测调整
0 0
- 《时间序列预测实践教程》3
- 《时间序列预测实践教程》
- 《时间序列预测实践教程》2
- Python时间序列LSTM预测系列教程(3)-单变量
- 如何用TensorFlow预测时间序列:TFTS库详细教程
- 时间序列预测法
- 时间序列预测模型
- 时间序列预测
- 时间序列模型预测
- 平稳时间序列预测
- LSTM预测时间序列
- LSTM预测时间序列
- 时间序列预测
- 时间序列预测
- Python时间序列LSTM预测系列教程(10)-多步预测
- Python时间序列LSTM预测系列教程(11)-多步预测
- 【时间序列预测】人口数量预测神经网络程序
- 什么是时间序列预测法?
- HDU 1007 Quoit Design(最近点对)
- 《时间序列预测实践教程》
- 《可视化数据》目录
- 《统计学习基础-数据挖掘、推理与…
- 《时间序列预测实践教程》2
- 《时间序列预测实践教程》3
- 《预测性文本挖掘基础》目录
- 最大字段和
- 从零开始 成为数据科学大咖
- 为什么你的代码如此难以理解
- 玩转Google开源C++单元测试框架Goo…
- 磁盘(操作系统)
- 对称加密和非对称加密
- CRM-系统异常和错误的简单处理