时序预测算法的原理、特点及应用分析.pdfVIP

应用探索

时序预测算法的原理、特点及应用分析

郑灏喻林

【摘 要】

时序预测指基于历史时间序列数据的模式，预测未来的数值和趋势变化。时序预测算法可以分为统计模型、

机器学习模型以及深度学习模型三种类别。基于时序预测算法的可信预测方法，可以应用于多个领域，包括金融、天气预

测、交通规划等。时序预测算法在实际应用中具有重要的作用，可以帮助决策者做出合理的决策、规划未来的资源分配和

优化业务流程等。

【关键词】

时序预测；统计方法；机器学习；深度学习

引言移动平均模型（MovingAverageModel,MA）：主要是

随着互联网的深入发展，智能设备的普及化以及各类用于未来数据的观测值与历史数据的误差相关的场景。该模

应用的蓬勃发展，在每一个领域都产生了海量的时间序列数型将历史数据的误差作为自变量，通过拟合一个或多个历史

据。处理和分析大规模的时序数据需要高效的算法和工具，误差数据，并从结果中挑选出最优的移动平均系数预测未来

同时也需要挖掘其中的模式和规律，以提供更准确的预测和数据。

决策支持。时间序列预测[1]是时间序列数据最为常见的一种自回归移动平均模型（Auto-RegressiveMoving

应用，其主要是利用历史时间序列中所包含的各种信息，通AverageModel,ARMA）：结合自回归模型与移动平均模

过统计方法、机器学习或者是深度学习方法，对时间序列数型，该模型将历史数据的观测值和误差作为自变量，通过拟

据中蕴含的规律进行挖掘，并以此来对未来时间序列的变化合一个或多个历史观测值数据和误差数据，挑选拟合最优的

或者趋势进行预测，在不同应用领域完成赋能工作。自回归系数和误差系数来进行未来数据的预测。相比于AR

下文将分别介绍时间预测的统计方法、机器学习方法、模型和MA模型，因公式中含有更多的参数，ARMA模型可

深度学习方法，探讨不同方法的原理及特点，并对时间预测以更准确地描述时间序列数据的特征，并更精确地预测未来

的应用领域进行分析。数据。

自回归积分移动平均模型（AutoregressiveIntegrated

一、统计方法MovingAverageModel,ARIMA）：将ARMA模型进行扩

使用统计学习方法对数据进行预测时，需要对历史数据展，主要用来对非平稳时间序列进行处理。该模型主要分

的分布作出判断，即判断其是否满足数据平稳性。数据具备为三个部分，分别是自回归（AR）、积分（I）和移动平均

良好的平稳性是进行统计分析的重要前提。在均值、方差以（MA）。首先，采用差分操作的方法来将非平稳时间序列

及自相关函数上，平稳时间序列在时间上都是常数，不会伴转化成为平稳时间序列，然后再利用ARMA模型进行预测。

随时间的变化而变化。平稳性可以通过观察数据的趋势、季季节性模型：该模型是用来对具有明显的季节性变化特

节性和周期性来判断。在历史数据不满足平稳性的情况下，征的时间序列数据进行预测。比较常见的季节性模型有季节

还可以通过数据变化、归一化处理、差分等方法满足数据平性自回归移动平均模型（SeasonalAutoregressiveIntegrated

稳性假设。除此以外，还需对未来数据的规律做出判断，即MovingAverage,SARMA）和季节性自回归积分移动平均

现有数据的规律