时间序列预测方法
创建时间
Mar 12, 2024 02:45 AM
标签
Techniques for averaging 平均法
朴素预测 naive forecasts
适用于季节性的、有规律的数据（有趋势的数据）
不适用于波动非常大的时间序列
移动平均法
前几次数据的平均值（平稳模型）
T越大，对数据的变换感知越迟缓
加权的移动平均法
越老的数据权值越小（对预测值预测能力越差）
单指数平滑法
是一个百分数，smoothing constant，考虑近期的”loss”
0→不考虑上一个预测的误差，考虑历史数据更多
1→变成了朴素预测
类似于“灵敏度”
实际上很大程度，性能取决于alpha，也就是调参，降低alpha就是降低敏感度（适用于平稳数据），数据波动大时使用较大的alpha
用网格搜索搜出来最好结果，但不知道具体原因，意义不大
Techniques for trend 趋势法
线性回归法
最小二乘法
趋势调整指数平滑法
考虑时间序列趋势变化
Techniques for Markov
马尔可夫预测
马尔科夫假设：无后效性，预测的下一个时间点，只与现在有关
状态转移矩阵
present矩阵 × 马尔可夫矩阵 = predict矩阵
Techniques for Seasonality 季节法
每个季度（或月）的平均值，除以总平均值，得到一个index
因为呈现了季节性的原因，才表现出来这样，所以要去掉季节性的因素（通过index）
然后预测之后，再使用index，还原为实际预测情况
误差表示
MAD 平均绝对误差
MAPE 平均绝对百分误差
Tracking signal 跟踪信号
上面不再使用绝对值，此处认为误差的相互抵消是有意义的
这个误差称为误差滚动和（REFE）
不同的预测方法，得到的跟踪信号是不同的，可以画出折线图
如果跟踪信号的值大于4或者小于-4，认为预测方法需要调整