自动分解信号
Posted: Sat Feb 22, 2025 4:50 am
图 :使用“检查季节性”组件检查时间序列中的季节性。当前值与 24 小时前的值之间的相关性最高。
图 :使用 Remove Seasonality 组件去除时间序列中的季节性。在此示例中,通过对滞后 24 的数据进行差分来去除第一个(每日)季节性,这是 Inspect Seasonality 组件给出的第一个(每日)季节性。自相关图现在显示第二个(每周)季节性,可以使用 Remove Seasonality 组件在其他时间将其去除。
在上一节中,我们检查了信号并对其进 阿尔及利亚电话号码数据 行了差分。然后我们检查了第二个季节性并对其进行了差分。这是一个非常好的策略,可以让您完全控制数据的处理。我们还发布了一个名为“分解信号”的组件。它将自动检查信号的趋势和两个季节性水平;返回分解后的元素和信号的残差以供进一步分析(图 6)。也许下一节中会用到我们的 ARIMA 组件?
图 分解信号组件的输出视图。该视图显示了信号在分解阶段的进展情况以及相应的 ACF 图。在此示例中,我们删除了(非常小的)趋势和左侧线图中显示的两层季节性。前两个季节性是每日(24)和每周(168)。
构建 ARIMA 模型
现在我们快完成了,我们已经满足了 ARIMA 等模型的平稳性要求。我们可以使用新的 (Auto) ARIMA Learner 组件轻松构建此模型。
当我们构建 ARIMA 模型时,我们需要定义三个参数,这些参数定义模型捕获哪些时间结构。这些参数说明当前值与滞后值之间的关系(AR 阶)、当前预测误差与滞后预测误差之间的关系(MA 阶),以及使时间序列平稳所需的差分程度(I 阶)。可以通过探索时间序列的(部分)自相关图来定义最佳 AR、I 和 MA 阶。
图 :使用 Remove Seasonality 组件去除时间序列中的季节性。在此示例中,通过对滞后 24 的数据进行差分来去除第一个(每日)季节性,这是 Inspect Seasonality 组件给出的第一个(每日)季节性。自相关图现在显示第二个(每周)季节性,可以使用 Remove Seasonality 组件在其他时间将其去除。
在上一节中,我们检查了信号并对其进 阿尔及利亚电话号码数据 行了差分。然后我们检查了第二个季节性并对其进行了差分。这是一个非常好的策略,可以让您完全控制数据的处理。我们还发布了一个名为“分解信号”的组件。它将自动检查信号的趋势和两个季节性水平;返回分解后的元素和信号的残差以供进一步分析(图 6)。也许下一节中会用到我们的 ARIMA 组件?
图 分解信号组件的输出视图。该视图显示了信号在分解阶段的进展情况以及相应的 ACF 图。在此示例中,我们删除了(非常小的)趋势和左侧线图中显示的两层季节性。前两个季节性是每日(24)和每周(168)。
构建 ARIMA 模型
现在我们快完成了,我们已经满足了 ARIMA 等模型的平稳性要求。我们可以使用新的 (Auto) ARIMA Learner 组件轻松构建此模型。
当我们构建 ARIMA 模型时,我们需要定义三个参数,这些参数定义模型捕获哪些时间结构。这些参数说明当前值与滞后值之间的关系(AR 阶)、当前预测误差与滞后预测误差之间的关系(MA 阶),以及使时间序列平稳所需的差分程度(I 阶)。可以通过探索时间序列的(部分)自相关图来定义最佳 AR、I 和 MA 阶。