Machine Learning
  • Introduction
  • man
  • Linear model
    • Linear Regression
    • Generalized Linear Models
    • Nonlinear regression
  • bayes
    • bayesian network
    • Variational Bayesian inference
    • Gaussian Process Regression
  • Logistic Regression
    • L1 regularization
    • L2 regularization
    • softmax
    • Overflow and Underflow
  • SVM
    • C-SVM
    • C-SVM求解
  • EM
    • GMM
  • Maximum Entropy
    • IIS
  • HMM
    • viterbi algorithm
  • CRF
  • Random Forest
    • bagging
    • random forest
  • boosting
    • catboost
    • gradient boosting
    • Newton Boosting
    • online boosting
    • gcForest
    • Mixture models
    • XGBoost
    • lightGBM
    • SecureBoost
  • LDA
  • rank
    • RankNet
    • LambdaRank
    • SimRank
  • Factorization Machine
    • Field-aware Factorization Machine
    • xdeepFM
  • Clustering
    • BIRCH
    • Deep Embedding Clustering
  • Kalman filtering
  • word2vec
  • 关联规则挖掘
  • MATH-Mathematical Analysis
    • measure
  • MATH-probability
    • Variational Inference
    • Dirichlet分布
    • Gibbs Sampling
    • Maximum entropy probability distribution
    • Conjugate prior
    • Gaussian Process
    • Markov process
    • Poisson process
    • measure
    • Gumbel
  • MATH-Linear Algebra
    • SVD
    • SVD-推荐
    • PCA
    • Linear Discriminant Analysis
    • Nonnegative Matrix Factorization
  • MATH-Convex optimization
    • 梯度下降
    • 随机梯度下降
    • 牛顿法
    • L-BFGS
    • 最速下降法
    • 坐标下降法
    • OWL-QN
    • 对偶问题
    • 障碍函数法
    • 原对偶内点法
    • ISTA
    • ADMM
    • SAG
  • MATH-碎碎念
    • cost function
    • Learning Theory
    • sampling
    • Entropy
    • variational inference
    • basis function
    • Diffie–Hellman key exchange
    • wavelet transform
    • 图
    • Portfolio
    • 凯利公式
  • ML碎碎念
    • 特征
    • test
    • TF-IDF
    • population stability index
    • Shapley Values
  • 课件
    • xgboost算法演进
  • Time Series
  • PID
  • graph
    • SimRank
    • community detection
    • FRAUDAR
    • Anti-Trust Rank
    • Struc2Vec
    • graph theory
    • GNN
  • Anomaly Detection
    • Isolation Forest
    • Time Series
  • Dimensionality Reduction
    • Deep Embedded Clustering
  • Federated Learning
  • automl
  • Look-alike
  • KNN
  • causal inference
Powered by GitBook
On this page
  • ARIMA模型运用的基本流程有几下几步：
  • 平稳性的三个标准：
  • 参考佳文

Was this helpful?

Time Series

Previousxgboost算法演进NextPID

Last updated 5 years ago

Was this helpful?

ARIMA模型运用的基本流程有几下几步：

  • 数据可视化，识别平稳性。

  • 对非平稳的时间序列数据，做差分，得到平稳序列。

  • 建立合适的模型。

       平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；

    若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；

   若偏自相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。

  • 模型的阶数在确定之后，对ARMA模型进行参数估计，比较常用是最小二乘法进行参数估计。

  • 假设检验，判断（诊断）残差序列是否为白噪声序列。

  • 利用已通过检验的模型进行预测。

平稳性的三个标准：

  • constant mean

  • constant variance

  • an autocovariance that does not depend on time.

参考佳文

此文提到了：MA模型就是无穷阶AR模型的等价表示

Time Series Analysis - 時間序列模型基本概念：AR, MA, ARMA, ARIMA 模型
ARIMA
ARIMA模型
时间序列分析----结合ARMA的卡尔曼滤波算法
用ARIMA模型做需求预测
ARIMA模型详解