正文

時(shí)間序列預(yù)測(cè)數(shù)據(jù)增強(qiáng)（時(shí)間序列預(yù)測(cè)要求數(shù)據(jù)量比較大）

發(fā)布時(shí)間：2023-03-18 01:03:21 稿源：創(chuàng)意嶺閱讀： 304 問(wèn)大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于時(shí)間序列預(yù)測(cè)數(shù)據(jù)增強(qiáng)的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶遍布全國(guó)，網(wǎng)絡(luò)營(yíng)銷(xiāo)相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

1、python如何預(yù)測(cè)下一年的數(shù)據(jù)
2、時(shí)間序列之分解預(yù)測(cè)
3、如何用excel預(yù)測(cè)時(shí)間序列數(shù)據(jù)
4、時(shí)間序列(time series)系列1—簡(jiǎn)介

時(shí)間序列預(yù)測(cè)數(shù)據(jù)增強(qiáng)（時(shí)間序列預(yù)測(cè)要求數(shù)據(jù)量比較大）

一、python如何預(yù)測(cè)下一年的數(shù)據(jù)

顧名思義，時(shí)間序列數(shù)據(jù)是一種隨時(shí)間變化的數(shù)據(jù)類型。例如，24小時(shí)內(nèi)的溫度，一個(gè)月內(nèi)各種產(chǎn)品的價(jià)格，一年中特定公司的股票價(jià)格。諸如長(zhǎng)期短期記憶網(wǎng)絡(luò)(LSTM)之類的高級(jí)深度學(xué)習(xí)模型能夠捕獲時(shí)間序列數(shù)據(jù)中的模式，因此可用于對(duì)數(shù)據(jù)的未來(lái)趨勢(shì)進(jìn)行預(yù)測(cè)。在本文中，您將看到如何使用LSTM算法使用時(shí)間序列數(shù)據(jù)進(jìn)行將來(lái)的預(yù)測(cè)。

二、時(shí)間序列之分解預(yù)測(cè)

時(shí)間序列是一種常見(jiàn)的數(shù)據(jù)形式，如經(jīng)濟(jì)數(shù)據(jù)大多數(shù)都以時(shí)間序列的形式給出。

通常情況下，時(shí)間序列具有不平穩(wěn)性。一般我們將非平穩(wěn)時(shí)間序列的構(gòu)成要素分為四種，即趨勢(shì)性(T)、周期性（C）、季節(jié)性（S）、隨機(jī)性或不規(guī)則波動(dòng)（T）；傳統(tǒng)時(shí)間序列分析的一項(xiàng)主要內(nèi)容就是將這些影響因素從時(shí)間序列中分離出來(lái)，并將他們之間的關(guān)系用一定的數(shù)學(xué)關(guān)系式表達(dá)出來(lái)，然后進(jìn)行分析，這種做法稱為分解分析；

按四種因素對(duì)時(shí)間序列的影響方式不同，時(shí)間序列可分解為乘法模型、加法模型、混合模型等，最常用的為乘法模型，其表現(xiàn)形式為：

由于分析周期性成分需要有多年的數(shù)據(jù)，實(shí)際中很難得到多年的數(shù)據(jù)來(lái)發(fā)現(xiàn)周期性成分，因此分解模型又精簡(jiǎn)為：

針對(duì)這類序列的預(yù)測(cè)方法主要有季節(jié)性多元回歸預(yù)測(cè)、季節(jié)自回歸模型和時(shí)間序列分解法預(yù)測(cè)；我曾經(jīng)在2個(gè)項(xiàng)目中用到分解法預(yù)測(cè)，通常按照以下步驟進(jìn)行：

1、確定并分離季節(jié)成分。計(jì)算季節(jié)指數(shù)，以確定時(shí)間序列中的季節(jié)成分，然后將季節(jié)成分從時(shí)間序列中分離出去，即用每一個(gè)時(shí)間序列觀測(cè)值除以相應(yīng)的季節(jié)指數(shù)，以消除季節(jié)成分；

2、建立預(yù)測(cè)模型并進(jìn)行預(yù)測(cè)。對(duì)消除季節(jié)成分的時(shí)間序列建立適當(dāng)?shù)念A(yù)測(cè)模型，并根據(jù)這一模型進(jìn)行預(yù)測(cè)。

3、計(jì)算出最后的預(yù)測(cè)值。用預(yù)測(cè)值乘以相應(yīng)的季節(jié)指數(shù)，得到最終的預(yù)測(cè)值。

下面采用此方法根據(jù)某大型百貨公司1991-2000年各季度銷(xiāo)售額數(shù)據(jù)針對(duì)2001年各季度銷(xiāo)售額進(jìn)行預(yù)測(cè)。在開(kāi)展分析之前，可以先作一個(gè)趨勢(shì)圖，通過(guò)圖形觀察數(shù)據(jù)隨時(shí)間的變化趨勢(shì)。

序列具有明顯的季節(jié)性和趨勢(shì)性，下面開(kāi)始計(jì)算季節(jié)指數(shù)，季節(jié)指數(shù)的計(jì)算方法有很多種，我用了移動(dòng)平均趨勢(shì)剔出法，主要步驟為：

1、計(jì)算移動(dòng)平均值（采用4項(xiàng)移動(dòng)平均），并將結(jié)果進(jìn)行“中心化”處理。也即是將移動(dòng)平均的結(jié)果再進(jìn)行一次二項(xiàng)的移動(dòng)平均，即得出“中心化移動(dòng)平均值”（CMA）。

2、計(jì)算移動(dòng)平均值，也稱季節(jié)比率，即將序列的各觀察值除以相應(yīng)的中心化移動(dòng)平均值，然后再計(jì)算出各比值的季度平均值；

3、季節(jié)指數(shù)調(diào)整。由于各季節(jié)指數(shù)的平均數(shù)應(yīng)等于1或100%，因此，再將每個(gè)季節(jié)比率的平均值除以他們的總平均值；

調(diào)整后的季節(jié)指數(shù)如下：

剔除季節(jié)成分后的銷(xiāo)售額趨勢(shì)明顯，采用多項(xiàng)式擬合可以得到很好的效果，回歸擬合度達(dá)到了0.9482，根據(jù)擬合方程我們便可以進(jìn)行后期趨勢(shì)預(yù)測(cè)，再乘上季節(jié)指數(shù)，便得到最終預(yù)測(cè)值；

三、如何用excel預(yù)測(cè)時(shí)間序列數(shù)據(jù)

如下實(shí)例用季節(jié)性預(yù)測(cè)求2005年各季度用電量，把數(shù)據(jù)輸入到excel中

輸入原始數(shù)據(jù)，計(jì)算三點(diǎn)平滑值，消除季節(jié)變動(dòng)和不規(guī)則變動(dòng)，保留長(zhǎng)期趨勢(shì)。

計(jì)算方法：2136=（435+2217+3756）/3

1122.33=（2217+3756+394）/3........以此類推。

計(jì)算季節(jié)性指標(biāo)：季節(jié)性指標(biāo)=用電量÷三點(diǎn)滑動(dòng)值。

計(jì)算季節(jié)性指標(biāo)校正值：

校正系數(shù)=4÷季節(jié)性指標(biāo)之和=4÷5.525=0.72

校正后季節(jié)性指標(biāo)=季節(jié)性指標(biāo)*校正系數(shù)

求預(yù)測(cè)模型：求出S1和s2同時(shí)也利用公式算出at和bt，α取0.2。

計(jì)算公式可參照下列表格也可自行百度。

求預(yù)測(cè)模型為：

求預(yù)測(cè)值。以2004年第4季度為基期，套用公式計(jì)算預(yù)測(cè)2005年各季度的旅游人數(shù)

第一季度：y=（6433.89+486.61*1）*0.42=2906.61

第二季度：y=（6433.89+3486.61*2）*0.99=13273.04

第三季度：y=（6433.89+3486.61*3）*2.15=36321.50

第四季度：y=（6433.89+3486.61*4）*0.44 =8967.35

由此可以計(jì)算出2005年全年度的游客人數(shù)預(yù)測(cè)值為：

y=四個(gè)季度相加=61468.49 （10的四次方千瓦）

四、時(shí)間序列(time series)系列1—簡(jiǎn)介

筆者在工作中，接觸到了客流數(shù)據(jù)，網(wǎng)絡(luò)質(zhì)量數(shù)據(jù)等，零零散散的對(duì)時(shí)間序列分析方法進(jìn)行了學(xué)習(xí)和實(shí)踐。

在平時(shí)的工作中，大多數(shù)公司都會(huì)有很多時(shí)序數(shù)據(jù)，也都離不開(kāi)時(shí)序數(shù)據(jù)的挖掘。

所以現(xiàn)在整理分享出來(lái)，忘大家批評(píng)指正。

時(shí)間序列數(shù)據(jù)（time series data）是在不同時(shí)間上收集到的數(shù)據(jù)，用于描述現(xiàn)象隨時(shí)間變化的情況。

時(shí)間序列是一種典型的數(shù)據(jù)，具有隨時(shí)間變化的特征。在大多數(shù)場(chǎng)景中，都能見(jiàn)到的一種數(shù)據(jù)類型。

如客流數(shù)據(jù)，股票數(shù)據(jù)，銷(xiāo)售額數(shù)據(jù)，網(wǎng)絡(luò)日志，某些KPI指標(biāo)等等內(nèi)容。

一般情況下,時(shí)間序列數(shù)據(jù)可以分解為3個(gè)部分，如下圖所示：

首先我們要有個(gè)目標(biāo)，想通過(guò)時(shí)間序列數(shù)據(jù)完成什么樣的目標(biāo)，短期、中期、長(zhǎng)期預(yù)測(cè)。然后需要盡可能的收集時(shí)間序列數(shù)據(jù)，數(shù)據(jù)越多，能夠發(fā)現(xiàn)更多數(shù)據(jù)特征，預(yù)測(cè)會(huì)更準(zhǔn)確。時(shí)間序列需要對(duì)數(shù)據(jù)中的缺失、異常、范圍等進(jìn)行處理。

常見(jiàn)的時(shí)間序列數(shù)據(jù)預(yù)測(cè)方法，筆者主要總結(jié)一下幾種：

以上就是關(guān)于時(shí)間序列預(yù)測(cè)數(shù)據(jù)增強(qiáng)相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。