正文

時間序列預(yù)測數(shù)據(jù)增強（時間序列預(yù)測要求數(shù)據(jù)量比較大）

發(fā)布時間：2023-03-18 01:03:21 稿源：創(chuàng)意嶺閱讀： 304 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于時間序列預(yù)測數(shù)據(jù)增強的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶遍布全國，網(wǎng)絡(luò)營銷相關(guān)業(yè)務(wù)請撥打175-8598-2043，或微信：1454722008

本文目錄:

1、python如何預(yù)測下一年的數(shù)據(jù)
2、時間序列之分解預(yù)測
3、如何用excel預(yù)測時間序列數(shù)據(jù)
4、時間序列(time series)系列1—簡介

時間序列預(yù)測數(shù)據(jù)增強（時間序列預(yù)測要求數(shù)據(jù)量比較大）

一、python如何預(yù)測下一年的數(shù)據(jù)

顧名思義，時間序列數(shù)據(jù)是一種隨時間變化的數(shù)據(jù)類型。例如，24小時內(nèi)的溫度，一個月內(nèi)各種產(chǎn)品的價格，一年中特定公司的股票價格。諸如長期短期記憶網(wǎng)絡(luò)(LSTM)之類的高級深度學(xué)習(xí)模型能夠捕獲時間序列數(shù)據(jù)中的模式，因此可用于對數(shù)據(jù)的未來趨勢進(jìn)行預(yù)測。在本文中，您將看到如何使用LSTM算法使用時間序列數(shù)據(jù)進(jìn)行將來的預(yù)測。

二、時間序列之分解預(yù)測

時間序列是一種常見的數(shù)據(jù)形式，如經(jīng)濟(jì)數(shù)據(jù)大多數(shù)都以時間序列的形式給出。

通常情況下，時間序列具有不平穩(wěn)性。一般我們將非平穩(wěn)時間序列的構(gòu)成要素分為四種，即趨勢性(T)、周期性（C）、季節(jié)性（S）、隨機性或不規(guī)則波動（T）；傳統(tǒng)時間序列分析的一項主要內(nèi)容就是將這些影響因素從時間序列中分離出來，并將他們之間的關(guān)系用一定的數(shù)學(xué)關(guān)系式表達(dá)出來，然后進(jìn)行分析，這種做法稱為分解分析；

按四種因素對時間序列的影響方式不同，時間序列可分解為乘法模型、加法模型、混合模型等，最常用的為乘法模型，其表現(xiàn)形式為：

由于分析周期性成分需要有多年的數(shù)據(jù)，實際中很難得到多年的數(shù)據(jù)來發(fā)現(xiàn)周期性成分，因此分解模型又精簡為：

針對這類序列的預(yù)測方法主要有季節(jié)性多元回歸預(yù)測、季節(jié)自回歸模型和時間序列分解法預(yù)測；我曾經(jīng)在2個項目中用到分解法預(yù)測，通常按照以下步驟進(jìn)行：

1、確定并分離季節(jié)成分。計算季節(jié)指數(shù)，以確定時間序列中的季節(jié)成分，然后將季節(jié)成分從時間序列中分離出去，即用每一個時間序列觀測值除以相應(yīng)的季節(jié)指數(shù)，以消除季節(jié)成分；

2、建立預(yù)測模型并進(jìn)行預(yù)測。對消除季節(jié)成分的時間序列建立適當(dāng)?shù)念A(yù)測模型，并根據(jù)這一模型進(jìn)行預(yù)測。

3、計算出最后的預(yù)測值。用預(yù)測值乘以相應(yīng)的季節(jié)指數(shù)，得到最終的預(yù)測值。

下面采用此方法根據(jù)某大型百貨公司1991-2000年各季度銷售額數(shù)據(jù)針對2001年各季度銷售額進(jìn)行預(yù)測。在開展分析之前，可以先作一個趨勢圖，通過圖形觀察數(shù)據(jù)隨時間的變化趨勢。

序列具有明顯的季節(jié)性和趨勢性，下面開始計算季節(jié)指數(shù)，季節(jié)指數(shù)的計算方法有很多種，我用了移動平均趨勢剔出法，主要步驟為：

1、計算移動平均值（采用4項移動平均），并將結(jié)果進(jìn)行“中心化”處理。也即是將移動平均的結(jié)果再進(jìn)行一次二項的移動平均，即得出“中心化移動平均值”（CMA）。

2、計算移動平均值，也稱季節(jié)比率，即將序列的各觀察值除以相應(yīng)的中心化移動平均值，然后再計算出各比值的季度平均值；

3、季節(jié)指數(shù)調(diào)整。由于各季節(jié)指數(shù)的平均數(shù)應(yīng)等于1或100%，因此，再將每個季節(jié)比率的平均值除以他們的總平均值；

調(diào)整后的季節(jié)指數(shù)如下：

剔除季節(jié)成分后的銷售額趨勢明顯，采用多項式擬合可以得到很好的效果，回歸擬合度達(dá)到了0.9482，根據(jù)擬合方程我們便可以進(jìn)行后期趨勢預(yù)測，再乘上季節(jié)指數(shù)，便得到最終預(yù)測值；

三、如何用excel預(yù)測時間序列數(shù)據(jù)

如下實例用季節(jié)性預(yù)測求2005年各季度用電量，把數(shù)據(jù)輸入到excel中

輸入原始數(shù)據(jù)，計算三點平滑值，消除季節(jié)變動和不規(guī)則變動，保留長期趨勢。

計算方法：2136=（435+2217+3756）/3

1122.33=（2217+3756+394）/3........以此類推。

計算季節(jié)性指標(biāo)：季節(jié)性指標(biāo)=用電量÷三點滑動值。

計算季節(jié)性指標(biāo)校正值：

校正系數(shù)=4÷季節(jié)性指標(biāo)之和=4÷5.525=0.72

校正后季節(jié)性指標(biāo)=季節(jié)性指標(biāo)*校正系數(shù)

求預(yù)測模型：求出S1和s2同時也利用公式算出at和bt，α取0.2。

計算公式可參照下列表格也可自行百度。

求預(yù)測模型為：

求預(yù)測值。以2004年第4季度為基期，套用公式計算預(yù)測2005年各季度的旅游人數(shù)

第一季度：y=（6433.89+486.61*1）*0.42=2906.61

第二季度：y=（6433.89+3486.61*2）*0.99=13273.04

第三季度：y=（6433.89+3486.61*3）*2.15=36321.50

第四季度：y=（6433.89+3486.61*4）*0.44 =8967.35

由此可以計算出2005年全年度的游客人數(shù)預(yù)測值為：

y=四個季度相加=61468.49 （10的四次方千瓦）

四、時間序列(time series)系列1—簡介

筆者在工作中，接觸到了客流數(shù)據(jù)，網(wǎng)絡(luò)質(zhì)量數(shù)據(jù)等，零零散散的對時間序列分析方法進(jìn)行了學(xué)習(xí)和實踐。

在平時的工作中，大多數(shù)公司都會有很多時序數(shù)據(jù)，也都離不開時序數(shù)據(jù)的挖掘。

所以現(xiàn)在整理分享出來，忘大家批評指正。

時間序列數(shù)據(jù)（time series data）是在不同時間上收集到的數(shù)據(jù)，用于描述現(xiàn)象隨時間變化的情況。

時間序列是一種典型的數(shù)據(jù)，具有隨時間變化的特征。在大多數(shù)場景中，都能見到的一種數(shù)據(jù)類型。

如客流數(shù)據(jù)，股票數(shù)據(jù)，銷售額數(shù)據(jù)，網(wǎng)絡(luò)日志，某些KPI指標(biāo)等等內(nèi)容。

一般情況下,時間序列數(shù)據(jù)可以分解為3個部分，如下圖所示：

首先我們要有個目標(biāo)，想通過時間序列數(shù)據(jù)完成什么樣的目標(biāo)，短期、中期、長期預(yù)測。然后需要盡可能的收集時間序列數(shù)據(jù)，數(shù)據(jù)越多，能夠發(fā)現(xiàn)更多數(shù)據(jù)特征，預(yù)測會更準(zhǔn)確。時間序列需要對數(shù)據(jù)中的缺失、異常、范圍等進(jìn)行處理。

常見的時間序列數(shù)據(jù)預(yù)測方法，筆者主要總結(jié)一下幾種：

以上就是關(guān)于時間序列預(yù)測數(shù)據(jù)增強相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。