原文链接：http://tecdat.cn/?p=4224

 

分析复杂的季节模式

当时间序列数据的频率高于季度或月度时，许多预测程序在分析季节性影响方面遇到了障碍。

澳大利亚蒙纳士大学的研究人员在美国统计协会杂志（JASA）上发表了一篇有趣的论文，来处理这种情况 - 可称为“复杂的季节性”。

我更新并修改了他们的一项计算 - 使用每周而不是每日的汽油价格数据。

 

我从FRED那里抓取了每周汽油价格。然后，我用2000年到2012年的数据建立了时间序列模型。注意，需要进行一些数据清理工作，将价格数据划分为52周。

104周的预测显示在上图中的红色实线上。

它被称为具有复杂季节性模式的预测时间序列，使用指数平滑以及每日天然气价格，分析日常电力需求。

我只是分析天然气价格数据的一部分，因为我还没有每日数据。但是每周数据中识别的季节性模式很有趣，如下所示。

从模型的样本外性能来看，这种“季节性波动”在某些情况下可能会更加突出并且非常重要。

适合于较高频率数据的序列提取的季节性模式，还具有其他特点，例如估计ARMA（自回归移动平均）模型残差的能力。

 当时间序列数据的频率高于季度或月度时，许多预测程序在分析季节性影响方面遇到了障碍。

 

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测