机器学习算法应用——时间序列分析（4-5）

时间序列分析（4-5）

时间序列分析（Time-Series Analysis）是一种对按时间顺序排列的数据序列进行统计分析和预测的方法。这种方法通常用于研究某个现象随时间的变化规律，并据此预测未来的发展趋势。以下是时间序列分析的一些关键方面和常用方法（4-5点）：

  1. 关键方面：
    • 动态性：时间序列数据是动态的，反映了某一现象随时间的变化过程。
    • 规律性：时间序列数据往往包含一定的趋势、周期性和季节性等规律性特征。
    • 预测性：通过对时间序列数据的分析，可以建立模型来预测未来的发展趋势。
  2. 常用方法：
    • 趋势分析：确定时间序列数据的长期增长或下降趋势。这可以通过拟合线性或非线性模型来实现。
    • 周期性和季节性分析：识别时间序列数据中的周期性或季节性模式。这有助于理解数据背后的周期性波动，如季节性的销售变化。
    • 分解分析：将时间序列数据分解为趋势、周期、季节性和随机因素等组成部分。这有助于更深入地理解数据的结构。
    • 时间序列预测：利用已有的时间序列数据来预测未来的值。这可以通过建立统计模型或使用机器学习算法来实现。例如，ARIMA模型、神经网络等都可以用于时间序列预测。
    • 平稳性检验：检验时间序列数据是否具有平稳性。平稳性是指数据的统计特性（如均值、方差等）不随时间变化。平稳性检验是时间序列分析的一个重要步骤，因为许多时间序列模型都假设数据是平稳的。
  3. 应用：
    • 系统描述：用时间序列数据对系统进行客观的描述。
    • 系统分析：当观测值取自两个以上变量时，可以用一个时间序列中的变化去说明另一个时间序列中的变化。
    • 预测未来：利用时间序列模型预测未来值，为决策提供支持。
    • 决策和控制：根据时间序列模型调整输入变量，使系统发展过程保持在目标值上。

时间序列分析在金融、经济、气象、销售等多个领域都有广泛的应用。通过时间序列分析，我们可以更好地理解数据背后的规律，预测未来的发展趋势，并据此做出更明智的决策。

  1. 安装statsmodels库

        pip install statsmodels

  1. 数据读取与预处理

使用pd.read_csv()读取并对日期数据进行转换

# 读取数据并进行预处理
data = """
"Month","Sales"
"1-01",266.0
"1-02",145.9
"1-03",183.1
"1-04",119.3
"1-05",180.3
"1-06",168.5
"1-07",231.8
"1-08",224.5
"1-09",192.8
"1-10",122.9
"1-11",336.5
"1-12",185.9
"2-01",194.3
"2-02",149.5
"2-03",210.1
"2-04",273.3
"2-05",191.4
"2-06",287.0
"2-07",226.0
"2-08",303.6
"2-09",289.9
"2-10",421.6
"2-11",264.5
"2-12",342.3
"3-01",339.7
"3-02",440.4
"3-03",315.9
"3-04",439.3
"3-05",401.3
"3-06",437.4
"3-07",575.5
"3-08",407.6
"3-09",682.0
"3-10",475.3
"3-11",581.3
"3-12",646.9
"""# 将字符串转换为DataFrame
data = pd.read_csv(io.StringIO(data))# 将'Month'列转换为日期类型
data['Month'] = pd.to_datetime(data['Month'], format='%m-%d')
# 将'Month'列转换为日期类型，并设置年份为2024年
data['Month'] = pd.to_datetime(data['Month'], format='%y-%m', yearfirst=True).dt.strftime('2024-%m')
print(data)
# 将日期列设置为索引
data.set_index('Month', inplace=True)

数据实例： 

"Month","Sales"
"1-01",266.0
"1-02",145.9
"1-03",183.1
"1-04",119.3
"1-05",180.3
"1-06",168.5
"1-07",231.8
"1-08",224.5
"1-09",192.8
"1-10",122.9
"1-11",336.5
"1-12",185.9
"2-01",194.3
"2-02",149.5
"2-03",210.1
"2-04",273.3
"2-05",191.4
"2-06",287.0
"2-07",226.0
"2-08",303.6
"2-09",289.9
"2-10",421.6
"2-11",264.5
"2-12",342.3
"3-01",339.7
"3-02",440.4
"3-03",315.9
"3-04",439.3
"3-05",401.3
"3-06",437.4
"3-07",575.5
"3-08",407.6
"3-09",682.0
"3-10",475.3
"3-11",581.3
"3-12",646.9
  1. 检测序列的平稳性
  1. 时序图判断法
# 绘制时序图
data.plot(figsize=(10, 6))
plt.xlabel('Month')
plt.ylabel('Sales')
plt.title('Time Series of Sales')
plt.show()

 

  1. 制自相关图判断法
# 检测序列的平稳性
# 自相关图
plot_acf(data, lags=9)
plt.title('Autocorrelation Plot')
plt.show()# 偏相关图
plot_pacf(data, lags=9)
plt.title('Partial Autocorrelation Plot')
plt.show()

 

 

  1. 使用ADF单位根检测法

注意：p>0.05即为非平稳序列

# ADF检验
adf_result = adfuller(data['Sales'])
print('ADF Statistic:', adf_result[0])
print('p-value:', adf_result[1])
print('Critical Values:', adf_result[4])

 

  1. 差分处理

注意：根据上一步结果判断数据序列为非平稳序列，如想使用模型对数据进行建模，则需将数据转换为平稳序列。所以在这一步使用差分处理对序列进行处理。

# 差分处理
diff_data = data.diff().dropna()# 绘制差分后的时序图
diff_data.plot(figsize=(10, 6))
plt.xlabel('Month')
plt.ylabel('Sales (Differenced)')
plt.title('Differenced Time Series of Sales')
plt.show()# 差分后的序列平稳性检测
# 自相关图
plot_acf(diff_data, lags=9)
plt.title('Autocorrelation Plot (Differenced)')
plt.show()# 偏相关图
plot_pacf(diff_data, lags=9)
plt.title('Partial Autocorrelation Plot (Differenced)')
plt.show()# ADF检验
adf_result_diff = adfuller(diff_data['Sales'])
print('ADF Statistic (Differenced):', adf_result_diff[0])
print('p-value (Differenced):', adf_result_diff[1])
print('Critical Values (Differenced):', adf_result_diff[4])

 

 

 

对处理后的序列进行平稳性检测（自相关图法、偏相关图法、ADF检测法）

  1. 使用ARIMA模型对差分处理后的序列进行建模
# 使用ARIMA模型建模
model = ARIMA(data, order=(1, 1, 1))
model_fit = model.fit()

 

  1. 使用模型预测未来5个月的销售额
# 预测未来5个月的销售额
forecast_steps = 5
forecast = model_fit.forecast(steps=5)

完整代码：

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima.model import ARIMA
import io
# 读取数据并进行预处理
data = """
"Month","Sales"
"1-01",266.0
"1-02",145.9
"1-03",183.1
"1-04",119.3
"1-05",180.3
"1-06",168.5
"1-07",231.8
"1-08",224.5
"1-09",192.8
"1-10",122.9
"1-11",336.5
"1-12",185.9
"2-01",194.3
"2-02",149.5
"2-03",210.1
"2-04",273.3
"2-05",191.4
"2-06",287.0
"2-07",226.0
"2-08",303.6
"2-09",289.9
"2-10",421.6
"2-11",264.5
"2-12",342.3
"3-01",339.7
"3-02",440.4
"3-03",315.9
"3-04",439.3
"3-05",401.3
"3-06",437.4
"3-07",575.5
"3-08",407.6
"3-09",682.0
"3-10",475.3
"3-11",581.3
"3-12",646.9
"""# 将字符串转换为DataFrame
data = pd.read_csv(io.StringIO(data))# 将'Month'列转换为日期类型
data['Month'] = pd.to_datetime(data['Month'], format='%m-%d')
# 将'Month'列转换为日期类型，并设置年份为2024年
data['Month'] = pd.to_datetime(data['Month'], format='%y-%m', yearfirst=True).dt.strftime('2024-%m')
print(data)
# 将日期列设置为索引
data.set_index('Month', inplace=True)# 绘制时序图
data.plot(figsize=(10, 6))
plt.xlabel('Month')
plt.ylabel('Sales')
plt.title('Time Series of Sales')
plt.show()# 检测序列的平稳性
# 自相关图
plot_acf(data, lags=9)
plt.title('Autocorrelation Plot')
plt.show()# 偏相关图
plot_pacf(data, lags=9)
plt.title('Partial Autocorrelation Plot')
plt.show()# ADF检验
adf_result = adfuller(data['Sales'])
print('ADF Statistic:', adf_result[0])
print('p-value:', adf_result[1])
print('Critical Values:', adf_result[4])# 差分处理
diff_data = data.diff().dropna()# 绘制差分后的时序图
diff_data.plot(figsize=(10, 6))
plt.xlabel('Month')
plt.ylabel('Sales (Differenced)')
plt.title('Differenced Time Series of Sales')
plt.show()# 差分后的序列平稳性检测
# 自相关图
plot_acf(diff_data, lags=9)
plt.title('Autocorrelation Plot (Differenced)')
plt.show()# 偏相关图
plot_pacf(diff_data, lags=9)
plt.title('Partial Autocorrelation Plot (Differenced)')
plt.show()# ADF检验
adf_result_diff = adfuller(diff_data['Sales'])
print('ADF Statistic (Differenced):', adf_result_diff[0])
print('p-value (Differenced):', adf_result_diff[1])
print('Critical Values (Differenced):', adf_result_diff[4])# 使用ARIMA模型建模
model = ARIMA(data, order=(1, 1, 1))
model_fit = model.fit()# 打印模型的概要信息
print(model_fit.summary())# 预测未来5个月的销售额
forecast_steps = 5
forecast = model_fit.forecast(steps=5)
# 生成未来几个月的日期
last_month = data.index[-1]
future_months = pd.date_range(start=last_month, periods=forecast_steps + 1, freq='M')[1:]# 创建包含日期和预测销售额的DataFrame
forecast_df = pd.DataFrame({'Month': future_months, 'Forecasted Sales': forecast})# 输出预测结果
print('Forecasted Sales for the next 5 months:')
print(forecast_df)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://xiahunao.cn/news/3032415.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

Java入门基础学习笔记11——关键字和标识符

Java入门基础学习笔记11——关键字和标识符

1、关键字 关键字是java中已经被赋予特定意义的，有特殊作用的一些单词，不可以把这些单词作为标识符来使用。 注意：关键字是java用了的，我们就不能用来作为：类名、变量名、否则会报错。 标识符： 标识符就是…
阅读更多...
又一个 开箱即用的 SpringBoot 企业级开发平台

又一个 开箱即用的 SpringBoot 企业级开发平台

项目概述 基于 Spring 实现的通用权限管理平台（RBAC模式）。整合最新技术高效快速开发，前后端分离模式，开箱即用。 核心模块包括：用户、角色、职位、组织机构、菜单、字典、日志、多应用管理、文件管理、定时任务等功能。 代码量少、学习简单、功能强大、轻量级、易扩展，轻…
阅读更多...
Dual Aggregation Transformer for Image Super-Resolution论文总结

Dual Aggregation Transformer for Image Super-Resolution论文总结

题目：Dual Aggregation Transformer（双聚合Transformer） for Image Super-Resolution（图像超分辨） 论文（ICCV）：Chen_Dual_Aggregation_Transformer_for_Image_Super-Resolution_ICCV…
阅读更多...
水表智能抄表系统是什么？

水表智能抄表系统是什么？

水表智能抄表系统是一种现代化水资源保护专用工具，它利用先进的物联网、云计算和大数据剖析，完成了智能抄表、实时监控系统、数据分析等作用，大大提高了水务管理的效率和精确性。 1.功能特点 1.1远程控制自动抄表 传统水表抄水表方法采用人…
阅读更多...
【初始类和对象】（实例讲解！超级详细！）

【初始类和对象】（实例讲解！超级详细！）

【初始类和对象】 前言1. 面向对象的初步认知1.1什么是面向对象1.2 面向对象与面向过程 2. 类的定义和使用2.1 简单认识类2.2 类的定义格式 3. 知识的代码举例讲解3.1 创建类、实例化类3.2 构造方法初始化类、this 3. 总结 前言 由于类和对象是我们在学习过程中需要接受的概念…
阅读更多...
使用 Valgrind 检测内存泄漏

使用 Valgrind 检测内存泄漏

Valgrind 是一个编程工具，用于内存调试、内存泄漏检测以及性能分析。Valgrind 工具集中的 Memcheck 是用于检测内存管理和线程错误的主要工具。 参考：https://blog.csdn.net/weixin_44046545/article/details/138417524 1、安装 Valgrind sudo apt-ge…
阅读更多...
牛客网Java实战项目--仿牛客网社区的学习笔记

牛客网Java实战项目--仿牛客网社区的学习笔记

仿牛客网社区的学习笔记 1. 项目环境搭建1.1 开发社区首页 2.开发社区登录模块2.1 发送邮件2.2 开发注册功能2.3 会话管理2.4 生成验证码2.5 开发登录、退出功能2.6 显示登录信息 4 Redis实现点赞关注4.1 Spring整合Redis访问Redis的方法： 4.2 Redis实现点赞4.2.1 点…
阅读更多...
【Web】CTFSHOW 月饼杯 题解(全)

【Web】CTFSHOW 月饼杯 题解(全)

目录 web1_此夜圆 web2_故人心 web3_莫负婵娟 web1_此夜圆 拿到源码&#xff0c;一眼字符串逃逸 本地测一测&#xff0c;成功弹出计算器 <?phpclass a {public $uname;public $password;public function __wakeup(){system(calc);} }function filter($string){retur…
阅读更多...
使用 sudo apt upgrade 出现的提示

使用 sudo apt upgrade 出现的提示

┌────────────────────────────────────────────────┤ Pending kernel upgrade ├────────────────────────────────────────────────┐ │ …
阅读更多...
活字格中如何调用第三方应用程序

活字格中如何调用第三方应用程序

在活字格有一种方法可以让我们的程序去执行其他程序&#xff0c;比如.bat或.exe文件。这就是所谓的"服务端调用外部程序"。 操作步骤如下&#xff1a; 1. 找到对象管理器中的服务端命令&#xff0c;右键点击它&#xff0c;选择"创建服务端命令"&#xff…
阅读更多...
Codeforces Round 944 (Div. 4)

Codeforces Round 944 (Div. 4)

Codeforces Round 944 (Div. 4) Codeforces Round 944 (Div. 4) A. My First Sorting Problem 思路&#xff1a;久违的比大小 AC code&#xff1a; void solve() {int x, y; cin>> x >> y;cout << min(x, y) << " " << max(x, y…
阅读更多...
2024年最新趋势跨境电商平台开发需了解的新技术

2024年最新趋势跨境电商平台开发需了解的新技术

随着数字化技术的不断演进和全球市场的日益融合&#xff0c;跨境电商平台开发将面临前所未有的挑战和机遇。为了更好地适应并引领这一发展&#xff0c;开发者需要密切关注2024年最新的技术趋势&#xff0c;以确保他们的平台能够在竞争激烈的市场中脱颖而出。本文将对跨境电商平…
阅读更多...
【静态分析】软件分析课程实验A3-死代码检测

【静态分析】软件分析课程实验A3-死代码检测

官网&#xff1a; 作业 3&#xff1a;死代码检测 | Tai-e 参考&#xff1a; https://www.cnblogs.com/gonghr/p/17981720 --------------------------------------------------------------------- 1 作业导览 为 Java 实现一个死代码&#xff08;dead code&#xff09;检…
阅读更多...
Jenkins流水线部署Maven项目

Jenkins流水线部署Maven项目

使用Jenkins的流水线功能&#xff0c;构建部署Java Maven项目&#xff0c;步骤很简单但是不少细节需要注意。 一、安装 Jenkins的安装步骤和流程就不具体描述&#xff0c;这里主要介绍一下安装时要注意的几个问题。 1、Jenkins尽量安装最新的几个版本&#xff0c;否则安装完成…
阅读更多...
6个超TM好用的神仙App推荐！

6个超TM好用的神仙App推荐！

1. AI文本视频生成工具——Jurilu Jurilu 是一款功能强大的 AI 文本视频生成器&#xff0c;允许用户快速将文本内容转换成极具吸引力的视频。它的使用非常简单&#xff1a;只需要输入文字&#xff0c;选择想要的样式和模板&#xff0c;Jurilu 就会自动将文字转换成生动的视频。…
阅读更多...
【C语言】/*操作符(下)*/

【C语言】/*操作符(下)*/

目录 一、操作符的分类 二、二进制和进制转换 2.1 进制 2.2 进制之间的转换 三、原码、反码、补码 四、单目操作符 五、逗号表达式 六、下标引用操作符[] 七、函数调用操作符() 八、结构体成员访问操作符 8.1 直接访问操作符(.) 8.2 间接访问操作符(->) 九、操作符…
阅读更多...
干货教程【AI篇】| 目前全球最强AI换脸工具swapface详细图文教程及整合包下载

干货教程【AI篇】| 目前全球最强AI换脸工具swapface详细图文教程及整合包下载

需要这个工具整合包的小伙伴可以关注一下文章底部公众号&#xff0c;回复关键词【swapface】即可获取。 从我们的链接下载&#xff0c;得到这个exe文件 双击运行即可进入安装界面 如下图所示已经在安装中啦 安装好之后我们根据上面的安装路径找到要执行的文件 双击红框中的…
阅读更多...
Doris【部署 01】Linux部署MPP数据库Doris稳定版（下载+安装+连接+测试）

Doris【部署 01】Linux部署MPP数据库Doris稳定版（下载+安装+连接+测试）

本次安装测试的为稳定版2.0.8官方文档 https://doris.apache.org/zh-CN/docs/2.0/get-starting/quick-start 这个简短的指南将告诉你如何下载 Doris 最新稳定版本&#xff0c;在单节点上安装并运行它&#xff0c;包括创建数据库、数据表、导入数据及查询等。 Linux部署稳定版Do…
阅读更多...
Excel-VBA报错01-解决方法

Excel-VBA报错01-解决方法

【已删除的部件:部件/xl/vbaProject.bin。(Visual Basic for Applications(VBA))】 1.问题复现&#xff1a; Win10 &#xff1b;64位 &#xff1b;Office Excel 2016 打开带有宏的Excel文件&#xff0c;报错&#xff1a;【已删除的部件&#xff1a;部件/xl/vbaProject.bin。…
阅读更多...
MFC DLL注入失败一些错误总结

MFC DLL注入失败一些错误总结

使用cheat Engine为MFC窗口程序注入DLL时一定要注意&#xff0c;被注入的exe程序和注入的DLL 的绝对路径中一定不要带有中文字符&#xff0c;否则会遇到各种各样的奇怪错误&#xff0c;如下所示&#xff1a; 以下是dll绝对路径中均含有中文字符&#xff0c;会报错误&#xff…
阅读更多...
最新文章

Copyright @ 2022~2023