平稳时间序列预测测方法有哪些分类，分别适合使用的情况是？

来源：蜘蛛抓取(WebSpider) 时间：2012-02-19 22:10 标签： 平稳时间序列预测
 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
第三章确定型时间序列预测方法
下载积分：300
内容提示：时间序列预测方法，是将预测目标的历史数据按照时间的顺序排列..
文档格式：PDF|
浏览次数：62|
上传日期： 04:12:29|
文档星级：
该用户还上传了这些文档
第三章确定型时间序列预测方法
官方公共微信 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
对时间序列的分析方法有哪几种？它们 分别有什么优点和缺点...【精选-PPT】
下载积分：1589
内容提示：对时间序列的分析方法有哪几种？它们 分别有什么优点和缺点...【精选-PPT】
文档格式：PPT|
浏览次数：112|
上传日期： 04:13:34|
文档星级：
该用户还上传了这些文档
对时间序列的分析方法有哪几种？它们 分别有什么优点和
官方公共微信邓自立——最优滤波理论及其应用：现代时间序列分析方法.pdf 免费下载 时间序列分析 - 万千合集站【数盟(dataunion.org)致力于成为最卓越的数据科学社区，聚焦于大数据、分析挖掘、数据可视化领域，业务范围：线下活动、在线课程、猎头服务】国内唯一的数据可视化在线课程！劲爆价299?！23个课时，1105分钟！课程了解点击文末『阅读原文』~出处：腾讯大数据1. 背景先来看两个例子，下面两幅图展示了百度在趋势预测方面的应用案例，一个是世界杯期间的比赛输赢预测，另一个是北京各旅游景区的游客人数预测。这两幅图代表了大数据环境下趋势预测的典型场景，即事件预测和时序预测，本文重点关注第二幅图中的场景，即与时间维度相关的时间序列预测。2. 时间序列预测时间序列预测即以时间数列所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法，简单来说就是从已知事件测定未知事件。上图展示了时间序列的一般趋势，时间序列数据的趋势变动可分为以下四点：趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。随机性：个别为随机变动，整体呈统计规律。综合性：实际变化情况一般是几种变动的叠加或组合。预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。3. 方法综述时间序列预测法分为传统的时间序列预测方法和机器学习方法。传统的时间序列方法指仅根据历史时间序列的趋势发展来预测未来时间序列的趋势发展的方法，此类方法通过建立适当的数学模型拟合历史时间趋势曲线，根据所建模型预测未来时间序列的趋势曲线，常见模型包括ARMA，VAR，TAR，ARCH等。传统时间序列方法所依赖的数据较简单，只需要历史时间序列趋势曲线便可构建模型，因此可适用于多种场景，模型较为通用。但是，传统时间序列预测法常面临滞后性问题，即预测值晚于真实值几个时间单位。为提高预测的精度，机器学习算法被引入时序预测，此类方法根据具体的应用场景，选取可能影响预测值的features，将这些features引入模型，应用机器学习的分类/回归模型来进行预测。为提取features，机器学习方法需要多个维度的数据，预测精度较高，建立的模型较为复杂，但是模型往往不够通用，针对不同应用场景需要重新提取features，建立模型。现实预测中，机器学习方法往往结合传统时序预测法来运用。4. ARIMA模型ARIMA模型全称自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model），是经典的时间序列预测方法，我们从ARIMA模型入手，进行了实时趋势预测的初步探索。ARIMA模型公式分为自回归（AR）和移动平均（MA）两部分，p为自回归项数，q为移动平均项数，为保证时间序列的平稳性，往往需对时间序列做d阶差分。自回归方法基于假设当前时期的指标值依赖于过去时期的指标值，对过去时期的指标值进行加权平均得到当前的指标值；移动平均方法的思想是模拟指标值的随机性，指标值受白噪声序激励的影响。5. 预测实验我们采用了某个业务的ctr数据，分别以分钟为单位和以小时为单位进行预测，希望可以准确预测下一时间单位（分钟，小时）的ctr。分钟ctr预测（一天内的ctr变化情况）：局部细节展示：小时ctr（一周内的小时ctr变化情况）：6. 展望大数据时代的时序预测得到越来越多的关注，能够准确预测趋势是时序预测的基础应用，其他场景如异常检测等也应用了时序预测方法，我们期待时序预测能够有更多的应用场景，比如通过精准预测，发现可能出现的突发事件以提高应对措施；加入空间维度，产生时空组合下的预测，提高预测的实际应用价值，比如通过预测滴滴打车某一地区的打车人数，引导用户和出租车，产生更好的资源利用；精准的金融预测，如预测理财通的买入买出数额，以帮助管理者合理指定策略等。这里初步探索的ARIMA模型是通用场景下的时序预测，在具体应用场景下，预测可以做的更精确。关于我们 ID:DataScientistUnion数盟网站：www.dataunion.org数盟微博：@数盟社区数盟微信：DataScientistUnion数盟【大数据群】数盟【数据可视化群】 数盟【数据分析群】 （长按可关注）点击[阅读原文] 国内唯一的数据可视化课程！数盟(DataScientistUnion)　
　文章为作者独立观点，不代表微头条立场
的最新文章
DataScientistUnion数盟力于打造最卓越的数据科学交流平台，倡导“数据创造价值"，经常举办线上活动、线下活动、在线课程培训，同时数盟有专业的数据团队提供数据服务~
官网：http://dataunion.org 合作：contact@dataunion.org热门文章最新文章DataScientistUnion数盟力于打造最卓越的数据科学交流平台，倡导“数据创造价值"，经常举办线上活动、线下活动、在线课程培训，同时数盟有专业的数据团队提供数据服务~
官网：http://dataunion.org 合作：contact@dataunion.org机器学习中的逻辑回归到底是回归还是分类?能否用逻辑回归实现连续目标的预测，比如说时间序列？怎么实现？
最近在学习逻辑回归，一直认为逻辑回归适用于离散目标，比如分类问题，尤其是二分类，但是最近看了一篇ITS的论文，里面用逻辑回归对时间序列做预测，难道逻辑回归也能处理连续目标？很困惑，如果可以该怎么做，求大神指导，谢谢！
按投票排序
logistic regression是这么假设的：数据服从概率为p的二项分布，并且logit(p)是特征的线性组合。二项分布的取值就是两个，0,1，所以如果不修改假设，直接就把logistic regression用于连续值的预测肯定是不合理的，因为没有哪个正常的连续取值的东西是服从二项分布的……
逻辑回归的原始输出是概率，本来就是个连续变量，做分类的时候是卡了个阈值，一般为0.5，所以如果可以方便的将y归一化到0到1之间，逻辑回归当然可以处理连续变量，不过参数估计时方法要变一下，用简单的最小二乘应该更合理一些。当然还有一个思路，题主可参考下support vector regression的实现。
我来简单谈下逻辑回归为什么用来分类。逻辑回归核心是一个回归函数没问题，但是为什么最终不是回归而可以用于分类呢？两方面原因：1. 我们训练数据用的是带有二分类标签（0/1）的数据2. 我们在寻找最佳模型的过程确实是一个“拟合”的过程，但是因为我们用了sigmod函数变换后去做的“拟合”和预测的，这个过程等价于我们找逻辑回归内部区分正负（&0正样本，&0负样本）的线性函数f(x)。我们再来看这个内部函数，实际上等价于我们找到了的样本分类边界f(x)=0。我们整个过程就是回归了这个分类边界！
逻辑回归是神经网络的特例（没有hidden layer），本质上都是从输入空间到输出空间的函数拟合。
首先认识逻辑回归~
占个坑从Andrew Ng的课上来看，逻辑斯谛回归是一种分类方法，之所以命名为回归是有一些历史原因（不明。。）跟线性回归的连续性结果输出不同，逻辑回归是通过判断h(x)的(0,1)之间的与0.5的大小来决定哪一类的概率以及大小的。从原始cost function的设置来看，是分类的设定之后再整合的。似乎不存在连续性的设置方法。具体情况还需要再查些资料0.0我还会回来的。
已有帐号？
无法登录？
社交帐号登录

我要回帖

更多关于 平稳时间序列预测 的文章

 

随机推荐