介绍

时间序列具有4个成分，如下所示-

• 水平-它是序列变化的平均值。

• 趋势-它是变量随时间的增加或减少行为。

• 季节性-这是时间序列的周期性行为。

• 噪声-这是由于环境因素导致的观测值误差。

时间序列建模技术

为了捕获这些组件，有许多流行的时间序列建模技术。本节简要介绍了每种技术，但是我们将在接下来的章节中详细讨论它们-

幼稚的方法

这些是简单的估算技术，例如，给预测值等于时间相关变量的先前值或先前实际值的平均值。这些用于与复杂的建模技术进行比较。

自回归

自动回归函数将根据先前时间段的值来预测未来时间段的值。自回归的预测可能比朴素的方法更适合数据，但可能无法说明季节性。

ARIMA模型

自回归积分移动平均值将变量的值建模为固定时间序列的先前时间步长上先前值和残差的线性函数。但是，现实世界的数据可能是不稳定的，并且具有季节性，因此开发了Seasonal-ARIMA和Fractional-ARIMA。 ARIMA研究单变量时间序列，以处理多个变量。

指数平滑

它将变量的值建模为先前值的指数加权线性函数。该统计模型还可以处理趋势和季节性。

LSTM

长短期记忆模型(LSTM)是一个递归神经网络，用于时间序列以解决长期依赖性。可以使用大量数据对其进行训练，以捕获多元时间序列中的趋势。

所述建模技术用于时间序列回归。在接下来的章节中，让我们现在逐一探讨所有这些。