数据科学与大数据分析时间序列分析

Time Series Analysis时间序列分析

• 时间序列分析的Box-Jenkins方法：

  • ARIMA模型

  • • 自相关函数（ACF）

    • 自回归（AR）模型

    • 偏自相关函数（PACF）

    • 移动平均（MA）模型

    • 自回归移动平均模型 ARMA

    • ARIMA模型

    • • 季节性ARIMA模型

    • 构建与评估ARIMA模型

  • 对拟合的时间序列模型进行比较

  • • 正态性与方差恒定性

  • 预测

时间序列分析
时间序列：
– 时间维度上等距排列的一组有序数值。
理解生成观测数据的基本过程。
用于对未来数据进行预测和监控。

主要目标：

1. 确认并构建时间序列的结构特征。
2. 对时间序列中的未来数值进行预测。

时间序列分析的Box-Jenkins方法

• 时间序列可由以下部分构成
趋势、季节性、周期性和随机性。
• 趋势
– 时间序列中长期的变动特征。
– 观测值会随时间呈现出上升或下降的趋势。
• 季节性
– 随时间变化而出现的固定周期性波动。
– 通常与日历相关联。
• 周期性
– 具有周期性的波动，但其周期并非固定不变。
– 例如，经济中的繁荣