Analiza serii czasowych та analizy serii czasowych

Metody

ARIMA

Komponenty: AR (autoregresja), I (integrowana), MA (średnia mobilna).

Proces: Sprawdzenie stałości, wybór parametrów, dopasowanie.

Zastosowanie: Dla serii stałych.

LSTM

Koncept: Sieci neuronowe rekurencyjne do wykrywania wzorów czasowych.

Wady: Dla nieliniowych i skomplikowanych wzorów.

Zastosowanie: Dla skomplikowanych serii czasowych.

Koncepty

Stacjonarność

Koncept: Statystyczne właściwości nie zmieniają się w czasie.

Testy: Test Dickey-Fullera, test KPSS.

Osiągnięcie: Diferencjonowanie, transformacja.

Sezonowość

Rodzaje: Codzienna, tygodniowa, miesięczna, roczna.

Przetwarzanie: Rozkład na składowe, dostosowanie do sezonowości.

Wykrywanie: Wykresy funkcji autokorelacji i funkcji autokorelacji skumulowanej (ACF, PACF).

Trend

Rodzaje: Znajdujący się w górę, w dół, bez trendu.

Przetwarzanie: Detrending, diferencjonowanie.

Wykrywanie: Średnie ruchome, regresja.

Przykładowe zastosowania

Przykład 1: ARIMA do prognozowania

Stacjonarność: Sprawdzenie i osiągnięcie stacjonarności.

ARIMA: Określenie parametrów (p, d, q).

Dopasowanie: Trening modelu ARIMA.

Prognozowanie: Przewidywanie wartości przyszłych.

Przykład 2: LSTM do prognozowania serii czasowych

Przygotowanie: Przygotowanie sekwencji dla LSTM.

LSTM: Trening modelu LSTM.

Prognozowanie: Przewidywanie przy użyciu LSTM.

Spróbuj to na żywo

Wszystko powyżej działa w Twojej przeglądarce — otwórz Dimensionality Reduction: PCA, t-SNE & UMAP i zmieniaj parametry podczas jego działania. Nie ma nic do zainstalowania, nie musisz przesyłać danych, całe modelowanie mieści się w jednym okienku.