原文鏈接：http://tecdat.cn/?p=4224

?

分析復(fù)雜的季節(jié)模式

當(dāng)時間序列數(shù)據(jù)的頻率高于季度或月度時，許多預(yù)測程序在分析季節(jié)性影響方面遇到了障礙。

澳大利亞蒙納士大學(xué)的研究人員在美國統(tǒng)計協(xié)會雜志（JASA）上發(fā)表了一篇有趣的論文，來處理這種情況 - 可稱為“復(fù)雜的季節(jié)性”。

我更新并修改了他們的一項計算 - 使用每周而不是每日的汽油價格數(shù)據(jù)。

?

我從FRED那里抓取了每周汽油價格。然后，我用2000年到2012年的數(shù)據(jù)建立了時間序列模型。注意，需要進行一些數(shù)據(jù)清理工作，將價格數(shù)據(jù)劃分為52周。

104周的預(yù)測顯示在上圖中的紅色實線上。

它被稱為具有復(fù)雜季節(jié)性模式的預(yù)測時間序列，使用指數(shù)平滑以及每日天然氣價格，分析日常電力需求。

我只是分析天然氣價格數(shù)據(jù)的一部分，因為我還沒有每日數(shù)據(jù)。但是每周數(shù)據(jù)中識別的季節(jié)性模式很有趣，如下所示。

從模型的樣本外性能來看，這種“季節(jié)性波動”在某些情況下可能會更加突出并且非常重要。

適合于較高頻率數(shù)據(jù)的序列提取的季節(jié)性模式，還具有其他特點，例如估計ARMA（自回歸移動平均）模型殘差的能力。

?當(dāng)時間序列數(shù)據(jù)的頻率高于季度或月度時，許多預(yù)測程序在分析季節(jié)性影響方面遇到了障礙。

?

最受歡迎的見解

1.在python中使用lstm和pytorch進行時間序列預(yù)測

2.python中利用長短期記憶模型lstm進行時間序列預(yù)測分析

3.使用r語言進行時間序列（arima，指數(shù)平滑）分析

4.r語言多元copula-garch-模型時間序列預(yù)測

5.r語言copulas和金融時間序列案例

6.使用r語言隨機波動模型sv處理時間序列中的隨機波動

7.r語言時間序列tar閾值自回歸模型

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.python3用arima模型進行時間序列預(yù)測