Auparavant (comment comprendre une série de temps), un modèle prédit de la série de temps simple - modèle de prédiction lisse. On dit qu'il ne simule pas, surtout contrairement au modèle Arima. Voir d'abord l'introduction d'ARIM dans l'encyclopédie (ci-après affichée de l'Encyclopédie):

Cette section l'introduit, la résistance est normale, après tout, la plupart des personnes ne sont pas d'apprentissage statistique, la connaissance des mathématiques peut également N'oubliez pas la moitié d'entre eux et ils sont un remplaçant. Je l'ai oublié dans mon travail. Mais que dois-je faire si j'étais prédit par le propriétaire dans l'entreprise? Permettez-moi d'utiliser des personnes pour introduire le modèle Arima, sans l'intention d'écrire trop de recette, très fatiguée.

Comprenez les paramètres du modèle, vous pouvez remplir la valeur de paramètre appropriée, puis ce modèle peut être utilisé. Par conséquent, cet article se concentre sur la signification de chaque paramètre de ce modèle. Première,Regardez les expressions complètes d'ARIMA Model: (Étapes du cycle), les paramètres que nous comprenons sont ici.

Premièrement, je vais le décrurer et le modèle ARIMA n'est pas bon, il a des milliers de relations avec d'autres modèles, le premier modèle AR (P), après son fantôme (Q ), Le modèle AR modèle (P) et MA (q) peut être combiné avec le modèle ARMA (P, Q). Si la séquence doit faire une différence, elle deviendra arima (p, D, Q). Modèle, si la séquence d'origine est saisonnière, il existe un cycle, s'il est périodiquement et la tendance à long terme de la chaîne d'origine, des fluctuations aléatoires ont des effets interactifs complexes, le modèle multiplicateur est utilisé.

Les choses ci-dessus disent que le principe prévu du modèle ARIMA est l'analyse principale de l'ordre, extrayant toutes les informations associées de la chaîne pour correspondre aux fonctionnalités de la fonction et utiliser cette fonction pour prédire. Locaux ou déraisonnables dans cette fonction. AR modèle (P), le nom complet est un modèle de régression p; tissuMA (Q), le nom complet est le modèle moyen en mouvement dans l'ordre; Le modèle ARMA est un nom complet du modèle moyen auto-retournant. Ces trois modèles ont leurs propres formules fonctionnelles, ces trois recettes peuvent dessiner différentes courbes et s'ils dessinent, les courbes et les séquences historiques sont très similaires, alors félicitations, trouvez déjà une bonne fonction d'ajustement, vous pouvez utiliser cette fonction pour prédire. Nous considérons toujours ces trois recettes (des conditions limitées ne sont pas écrites):

La formule ne le regarde pas, disant principalement ces informations de la formule:

Les statistiques du modèle A (P, Q) sont la combinaison organique du modèle AR (P) et MA Modèle (Q). Si q = 0, il se décompose dans le modèle AR (p), si p = 0 mA modèle modèle (q) dégradation.

P et Q varient, l'ordre du modèle est différent et les paramètres ne sont pas identifiés comme différents (disent ensuite après des difficultés rencontrant ce paramètre), courbe DLes vêtements sont différents.

Venez voir ici, les gens doivent être vus, la nature de P et Q, spécifiant différents p et q peuvent être combinés à différentes courbes, si des courbes et une soumission elles-mêmes sont très élevées, elle peut être utilisé pour la prédire. Il reste encore d'autres paramètres, puis ne doit pas être car toutes les chaînes peuvent être équipées via ARMA et certaines chaînes ne sont réglées que en fonction de la valeur de P et Q, car le modèle ARMA nécessite une chaîne stable.

Il s'agit d'un nouveau concept, il est stable, puis de comprendre la stabilité, une expression est la nature statistique de la séquence sans se produire pendant une longue période. Cela peut être compris, j'ai passé les efforts du patron pour trouver la fonction, les résultats ne sont pas vrais, comment jouez-vous? Mais comment prédisez-vous la chaîne, beaucoup de données dans la vie ne sont pas lisses, il existe une tendance inconfortable, ayant un cycle non lisse, aucune tendance sans plusieurs séquences de cyclisme, et ilsToujours pas nécessairement lisse. Pour prédire la séquence inconfortable, une méthode est appelée différentielle, de sorte que le modèle ARIMA apparaisse, le paramètre D peut apparaître.

Le paramètre D dans le modèle ARIMA utilisé comme une différence et D = 1 est de faire la première différence, D = 2 est la différence de 2 commandes. Qu'est-ce qui est différent? Je vais écrire une expression simple de la formule de première différence, plus sur Yahoo à vérifier.

Après la différence, nous continuons à parler d'une séquence inconfortable, nous pouvons faire la différence dans l'ordre 1 ou plus différemment, vous pouvez également faire une différence entre les étapes plus grandes Jusqu'à 1, beaucoup de choix, comment pouvez-vous effectuer des séquences lisses et éviter trop différentes (chaque différentiel apportera des informations perdues, de sorte que la différence, après avoir douce, même si la différence est stable, mais que l'information a été disparue)? En général, la séquence contient une tendance linéaire importante et une trinH Self peut atteindre un moyen lisse; Si la commande est la tendance des courbes, la deuxième ou la troisième peut également être plus lisse; Si la séquence comporte des éléments de cycle, la longueur de l'étape est une longueur de cycle. Les différences peuvent extraire des informations sur le cycle.

Une question de transport, après les opérations différentielles, la séquence n'est pas en douceur? En plus de ce que j'ai dit dans le cycle inconfortable, nous allons mesurer si une chaîne est stable ou non, il y a deux nature statistique importante:

La moyenne est constante: ou tout incluant la portée de l'époque, apportant la désir d'avoir, les mêmes

fonctions auto-légales et les coefficients de corrélation auto-corrélation dépendent que de la longueur de la translation au fil du temps et des points de départ de la durée sans rapport avec l'heure de début

après la vérification d'une chaîne est stable ou non, comment vous arbitrez-vous? La méthode est couramment utilisée si l'œil nu ne peut pas être vu, l'utilisation de dessins auto-liés, TLes auto-amours lisses ont une corrélation à court terme. Comme indiqué dans la photo (image de Baidu Source, intrusion) Tout d'abord pas en douceur, la commande est retardée de la corrélation automatique, la deuxième image lisse, le coefficient d'eux-mêmes après le délai de 2 tasses de la déviation standard.

Après avoir passé la différenciation, après une chaîne lisse, nous pourrions continuer à faire correspondre le modèle ARMA. Ce qui précède a déclaré que l'arma (P, Q) peut être utilisée pour combiner différentes courbes et avoir des problèmes et des courbes lisses placés ici. Comment puis-je correspondre à la fonction appropriée? Il y en a deux au milieu, le premier est la résolution du modèle, ce qui signifie p, p est p, q est combien; Deuxièmement, la formule ci-dessus (P, Q) peut être vue, ce modèle contient des paramètres P + inconnus Q + 2, comment calculer ces paramètres inconnus.

La première est la résolution du modèle, c'est-à-dire que les deux paramètres de P et Q sont souvent évalués par le coefficient de corrélation du cycleI et des relations partielles. Comme indiqué dans le tableau ci-dessous:

Il y a deux concepts à ajouter, quelle est la queue, ce qu'on appelle la queue coupée. Il s'agit d'utiliser la carte de corrélation de corrélation de corrélation (carte de coefficient de corrélation partielle), si le coefficient de corrélation (ou un coefficient de corrélation partielle) est à l'étape p (ou q), une étape p précédente p (ou q) est très grande, puis couper L'étape p (ou q), si le coefficient de corrélation (ou le coefficient de corrélation partielle) tire, il n'y a pas de moyen simple, puis la queue. Depuis ma description, vous pouvez également voir qu'il existe un certain élément subjectif de la découpe ou de la queue, après tout, toutes les cartes automatiques ne peuvent pas être coupées. Par conséquent, il est nécessaire d'avoir un certain facteur expérimental dans l'ordre du modèle.

Après avoir déterminé l'ordre du modèle, les paramètres de modèle sont nécessaires et peuvent être vus à partir de la formule précédente, du modèle AR (P), du modèle MA (Q) ou d'un modèle A (p,Q) Il existe une variété de paramètres, c'est un modèle à apprendre. Ces paramètres sont estimés à avoir un peu de problème et d'estimation de couple, capacité maximale à estimer le carré minimum, dans lequel la précision d'estimation du couple n'est pas élevée et est souvent utilisée pour estimer l'estimation maximale du plus petit carré. Je ne comprends pas le processus spécifique de ces méthodes, mais heureusement, ces processus n'ont pas besoin de nous pour le faire. Les logiciels statistiques peuvent être remis.

Lorsque la séquence est inconfortable, la séquence stabilise le modèle, les paramètres du modèle sont également définis et finalement équipés d'une fonction d'exportation actuellement? La fonction à venir, ce n'est pas un problème, le problème est que cette fonction fiable? Ensuite, il attire un nouveau problème, ce qui signifie que le modèle est vérifié et que le modèle du modèle est un modèle disponible. Comment vérifier le modèle, un autre nouveau concept s'appelle résiduel, pQuel est l'autre?La séquence restante peut transmettre du bruit de sang blanc, pourquoi?Et si la séquence est blanche?Que dois-je faire si je n'ai pas été testé?Quelle séquence doit-elle être d'autres paramètres pour correspondre?Tous les problèmes de ce paragraphe, restent dans le prochain article.