原文鏈接：http://tecdat.cn/?p=27363?

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

?

本文在相對(duì)簡(jiǎn)單的數(shù)據(jù)集上探索不同的時(shí)間序列技術(shù)。

給定 5 年的商店商品銷售數(shù)據(jù)，并要求您預(yù)測(cè) 10 家不同商店的 50 種不同商品在 3 個(gè)月內(nèi)的銷售額。

處理季節(jié)性的最佳方法是什么？商店應(yīng)該單獨(dú)建模，還是可以將它們合并在一起？

商店項(xiàng)目需求預(yù)測(cè)

自回歸綜合移動(dòng)平均線 (ARIMA)

這?ARIMA?模型是可應(yīng)用于非平穩(wěn)時(shí)間序列的 ARMA 模型的推廣。

1. import time

2. import pandas as pd

3. 


4. %matplotlib inline

加載數(shù)據(jù)

1. d_trn = pd.rad_csv('../inuraicsv, prse_tes=date'], inx_col['te'])

2. d_ts = pd.ra_csv'../iputst.csv', prse_des=['date'], ine_col['d

所有商店似乎都顯示出相同的趨勢(shì)和季節(jié)性。

ARIMAX

帶解釋變量的自回歸綜合移動(dòng)平均線 (ARIMAX) 是 ARIMA 的擴(kuò)展版本，其中包括獨(dú)立的預(yù)測(cè)變量。

準(zhǔn)備數(shù)據(jù)

1. mnths = df_rinindx.nth

2. 


3. df_ran.drpna(iplac=True)

4. d_trin.head()

1. import datetime

2. 


3. dumymns = pd.get_dummies(moth)

4. 


5. prev_uate_dates = d_tet_x.index - datie.timedelta(das=91)

6. dfetex.head()

構(gòu)建模型

1. si1 = d_rin.loc[(d_tin['store'] == 1) & (_tran['ie'] == 1), 'ses']

2. exog_s1i1 = df_train.loc[(df_train['store'] == 1) & (df_train['item'] ==

3. 


4. 


5. ax = SARIMAX(si1.loc['2013-12-31':], exog=exog

6. nfoceinvetiblity=alse,enforce_ationarity=False,

作出預(yù)測(cè)

1. 


2. nog = df_rai.loc[(ftrin['str'] == s) & (df_rin['te'] == i), 'als']

3. 


4. SARIMAX(endog=edog exog=xo,

5. enorce_invtiilit=False, eorce_statnarityFalse, freq='D',

6. order=(7,0,0)).fit()

7. 


8. tc = time.time()

示例預(yù)測(cè)

1. xg = f_rin.loc[(df_rin[ste'] == 10) & (d_tri['itm'] == 50)].drop(['', 'ite', 'sas'], axis=1)

2. forast = arax.predict

最受歡迎的見解

1.在python中使用lstm和pytorch進(jìn)行時(shí)間序列預(yù)測(cè)

2.python中利用長(zhǎng)短期記憶模型lstm進(jìn)行時(shí)間序列預(yù)測(cè)分析

3.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長(zhǎng)期記憶、GRU門循環(huán)單元、回歸和ARIMA對(duì)COVID-19新冠疫情新增人數(shù)時(shí)間序列

4.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)價(jià)格時(shí)間序列和MSE評(píng)估準(zhǔn)確性

5.r語言copulas和金融時(shí)間序列案例

6.R 語言用RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)間序列長(zhǎng)期利率預(yù)測(cè)

7.Matlab創(chuàng)建向量自回歸（VAR）模型分析消費(fèi)者價(jià)格指數(shù) (CPI) 和失業(yè)率時(shí)間序列

8.r語言k-shape時(shí)間序列聚類方法對(duì)股票價(jià)格時(shí)間序列聚類

9.R語言結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析