用python作時間序列預測一：初識概念

利用時間序列預測方法，咱們能夠基於歷史的狀況來預測將來的狀況。好比共享單車每日租車數，食堂每日就餐人數等等，都是基於各自歷史的狀況來預測的。

什麼是時間序列？

• 時間序列，是指同一個變量在連續且固定的時間間隔上的各個數據點的集合，好比每5分鐘記錄的收費口車流量，或者每一年記錄的藥物銷量都是時間序列。
  

時間序列的類型

• 根據時間間隔的不一樣，時間序列能夠是按年度(Annual)、季度、月度、周、小時、分鐘、秒等頻率採集的序列。

時間序列的成分

• 趨勢(Trend)，好比長期上漲或長期下跌。
• 季節性(Seasonal)，好比羽絨服的銷量通常會在冬季更高，或者某家燒烤店的生意通常會在每週五和週六晚上更好。
• 週期性(Cyclic)，好比你時不時搞個大促，那麼銷量在那段時間就會比較好。
• 偏差。
  

什麼是時間序列預測？

• 就是用同一個變量的歷史值預測將來值，或者除了歷史值之外，還加入一些預測因子(又稱外生變量)來預測將來值。前者稱爲單變量時間序列預測，後者稱爲多變量時間序列預測。
• 好比，咱們要預測某海灘下個月的的遊客數量，除了用歷史遊客數量作預測外，還能夠加入溫度這個因子。那麼只用歷史遊客數量作預測就是單變量時間預測，加入溫度這個因子就是多變量時間預測，固然還能夠加入其它合理的預測因子，好比該海灘的每個月廣告支出等。

一些簡單的預測方法

均值法

全部將來的預測值等於歷史數據的平均值。

樸素法

簡單的將最後一次觀測值做爲將來的預測值。

季節性樸素法

相比樸素法，就是考慮了季節性，也就是說將同期的最後一次觀測值做爲本期的預測值，好比預測本週的數值，那麼就將上週的週一觀測值做爲本週的週一預測值，上週的週二觀測值做爲本週的週二預測值，以此類推。

漂移法(drift )

在起始觀測值和最後一次觀測值之間畫一條鏈接線，延伸到預測時間點，做爲預測值，公式以下：

下面的2副圖展現了上面四種方法的預測效果：

經常使用的時間序列預測法

• Exponential smoothing 指數平滑
  簡單說就是用過去的觀測值的加權平均值來做爲預測值，權重隨着與當前時刻的距離變遠而呈指數衰減。
• ARIMA
  簡單說就是用變量的自迴歸(AR)與歷史預測偏差的自迴歸(MA)構成的時間序列預測模型。
• 基於深度學習的方法
  簡單說就是利用神經網絡強大的學習能力，從時間序列歷史數據中提取各類可能的特徵，從而對將來進行預測。這部分的模型比較多，好比LSTM,Seq2seq等。

注意，上述的方法並不能說誰必定比誰好，不一樣的預測場景下每一個方法都有可能作出更好的預測，因此一般須要相互比較，以便作出更合理的預測。

本篇介紹了時間序列的相關概念，下一篇將介紹時間序列的通常數據格式和基於python的可視化方法。

ok,本篇就這麼多內容啦~，感謝閱讀O(∩_∩)O。