-
让品牌有温度、有情感
专注品牌策划15年
时间序列预测数据增强（时间序列预测要求数据量比较大）
发布时间：2023-03-18 01:03:21
稿源：
创意岭 阅读：
304
问大家
大家好！今天让创意岭的小编来大家介绍下关于时间序列预测数据增强的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀企业，服务客户遍布全国，网络营销相关业务请拨打175-8598-2043，或微信：1454722008
本文目录:
一、python如何预测下一年的数据
顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。诸如长期短期记忆网络(LSTM)之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。
二、时间序列之分解预测
时间序列是一种常见的数据形式，如经济数据大多数都以时间序列的形式给出。
通常情况下，时间序列具有不平稳性。一般我们将非平稳时间序列的构成要素分为四种，即趋势性(T)、周期性（C）、季节性（S）、随机性或不规则波动（T）；传统时间序列分析的一项主要内容就是将这些影响因素从时间序列中分离出来，并将他们之间的关系用一定的数学关系式表达出来，然后进行分析，这种做法称为分解分析；
按四种因素对时间序列的影响方式不同，时间序列可分解为乘法模型、加法模型、混合模型等，最常用的为乘法模型，其表现形式为：
由于分析周期性成分需要有多年的数据，实际中很难得到多年的数据来发现周期性成分，因此分解模型又精简为：
针对这类序列的预测方法主要有季节性多元回归预测、季节自回归模型和时间序列分解法预测；我曾经在2个项目中用到分解法预测，通常按照以下步骤进行：
1、确定并分离季节成分。计算季节指数，以确定时间序列中的季节成分，然后将季节成分从时间序列中分离出去，即用每一个时间序列观测值除以相应的季节指数，以消除季节成分；
2、建立预测模型并进行预测。对消除季节成分的时间序列建立适当的预测模型，并根据这一模型进行预测。
3、计算出最后的预测值。用预测值乘以相应的季节指数，得到最终的预测值。
下面采用此方法根据某大型百货公司1991-2000年各季度销售额数据针对2001年各季度销售额进行预测。在开展分析之前，可以先作一个趋势图，通过图形观察数据随时间的变化趋势。
序列具有明显的季节性和趋势性，下面开始计算季节指数，季节指数的计算方法有很多种，我用了移动平均趋势剔出法，主要步骤为：
1、 计算移动平均值（采用4项移动平均），并将结果进行“中心化”处理。也即是将移动平均的结果再进行一次二项的移动平均，即得出“中心化移动平均值”（CMA）。
2、 计算移动平均值，也称季节比率，即将序列的各观察值除以相应的中心化移动平均值，然后再计算出各比值的季度平均值；
3、 季节指数调整。由于各季节指数的平均数应等于1或100%，因此，再将每个季节比率的平均值除以他们的总平均值；
调整后的季节指数如下：
剔除季节成分后的销售额趋势明显，采用多项式拟合可以得到很好的效果，回归拟合度达到了0.9482，根据拟合方程我们便可以进行后期趋势预测，再乘上季节指数，便得到最终预测值；
三、如何用excel预测时间序列数据
如下实例用季节性预测求2005年各季度用电量，把数据输入到excel中
输入原始数据，计算三点平滑值，消除季节变动和不规则变动，保留长期趋势。
计算方法：2136=（435+2217+3756）/3
1122.33=（2217+3756+394）/3........以此类推。
计算季节性指标：季节性指标=用电量÷三点滑动值。
计算季节性指标校正值：
校正系数=4÷季节性指标之和=4÷5.525=0.72
校正后季节性指标=季节性指标*校正系数
求预测模型：求出S1和s2同时也利用公式算出at和bt，α取0.2。
计算公式可参照下列表格也可自行百度。
求预测模型为：
求预测值。以2004年第4季度为基期，套用公式计算预测2005年各季度的旅游人数
第一季度：y=（6433.89+486.61*1）*0.42=2906.61
第二季度：y=（6433.89+3486.61*2）*0.99=13273.04
第三季度：y=（6433.89+3486.61*3）*2.15=36321.50
第四季度：y=（6433.89+3486.61*4）*0.44 =8967.35
由此可以计算出2005年全年度的游客人数预测值为：
y=四个季度相加=61468.49 （10的四次方千瓦）
四、时间序列(time series)系列1—简介
笔者在工作中，接触到了客流数据，网络质量数据等，零零散散的对时间序列分析方法进行了学习和实践。
在平时的工作中，大多数公司都会有很多时序数据，也都离不开时序数据的挖掘。
所以现在整理分享出来，忘大家批评指正。
时间序列数据（time series data）是在不同时间上收集到的数据，用于描述现象随时间变化的情况。
时间序列是一种典型的数据，具有随时间变化的特征。在大多数场景中，都能见到的一种数据类型。
如客流数据，股票数据，销售额数据，网络日志，某些KPI指标等等内容。
一般情况下,时间序列数据可以分解为3个部分，如下图所示：
首先我们要有个目标，想通过时间序列数据完成什么样的目标，短期、中期、长期预测。然后需要尽可能的收集时间序列数据，数据越多，能够发现更多数据特征，预测会更准确。时间序列需要对数据中的缺失、异常、范围等进行处理。
常见的时间序列数据预测方法，笔者主要总结一下几种：
以上就是关于时间序列预测数据增强相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
