只需一行代碼！Python中9大時間序列預測模型

在時間序列問題上，機器學習被普遍應用於分類和預測問題。當有預測模型來預測未知變量時，在時間充當獨立變量和目標因變量的狀況下，時間序列預測就出現了。

預測值能夠是潛在僱員的工資或銀行帳戶持有人的信用評分。任何正式引入統計數據的數據科學都會遇到置信區間，這是某個模型肯定性的衡量標準。

所以，預測一段時間內某些數據的價值須要特定的技術，而且須要多年的發展。

因爲每種都有其特殊用途，必須注意爲特定應用選擇正確的技術。預測人員在技術選擇中發揮做用，他們越瞭解預測可能性的範圍，公司的預測工做就越有可能取得成果。

其方法的選擇取決於預測的背景、歷史數據的相關性和可用性、所需的準確度、預測的時間段、對企業的預測成本以及分析所需的時間。

影響預測的因素

· 增長或減小趨勢

· 季節性

· 數據集的大小

時間序列的組成部分與數據自己同樣複雜。隨着時間的增長，得到的數據也會增長。有時候更多的數據並不意味着更多的信息，可是更大的樣本避免了因爲隨機採樣而產生的偏差。

所以，對於每一個應用程序，使用的技術都會發生變化。

來源：數據科學博客

在本文中，咱們列出了最普遍使用的時間序列預測方法，只需一行代碼就能夠在Python中使用它們：

1. Autoregression（AR）

AR方法在先前時間步驟中模擬爲觀察的線性函數。

模型的表示法涉及指定模型p的順序做爲AR函數的參數。

from statsmodel.tsa.ar_model import AR

1. Autoregressive Moving Average（ARMA）

ARMA方法結合了自迴歸（AR）模型和移動平均（MA）模型。

from statsmodel.tsa.arima_model import ARMA

1. Autoregressive Integrated Moving Average（ARIMA）

ARIMA方法結合自迴歸（AR）和移動平均（MA）模型以及序列的差分預處理步驟以使序列靜止，稱爲積分。

from statsmodel.tsa.arima_model import ARIMA

1. Seasonal Autoregressive Integrated Moving-Average (SARIMA)

SARIMA方法將序列中的下一步建模爲先前時間步驟的差別觀測值、偏差、差別性季節觀測值和季節性偏差的線性函數。

它結合了ARIMA模型，可以在季節性水平上執行相同的自迴歸、差分和移動平均建模。

from statsmodel.tsa.statespace.sarimax import SARIMAX

1. Seasonal Autoregressive Integrated Moving-Average with Exogenous Regressors (SARIMAX)

SARIMAX是SARIMA模型的擴展，還包括外生變量的建模。

SARIMAX方法還可用於使用外生變量對包含的模型進行建模，例如ARX，MAX，ARMAX和ARIMAX。

from statsmodel.tsa.statespace.sarimax import SARIMAX

1. Vector Autoregression (VAR)

向量自迴歸方法使用AR模型。AR是多個並行時間序列的推廣。

from statsmodel.tsa.vector_ar.var_model import VAR

1. Vector Autoregression Moving-Average (VARMA)

這是ARMA對多個並行時間序列的推廣，例如，多變量時間序列。

from statsmodel.tsa.statespace.varmax import VARMAX

1. Vector Autoregression Moving-Average with Exogenous Regressors（VARMAX）

VARMAX是VARMA模型的擴展，它還包括外生變量的建模。它是ARMAX方法的多變量版本。

1. Holt Winter’s Exponential Smoothing (HWES)

HWES是在先前時間步驟的觀測的指數加權線性函數，將考慮趨勢和季節性因素。

from statsmodel.tsa.holtwinters import ExponentialSmoothing