时间序列预测系列之AR模型

这篇具有很好参考价值的文章主要介绍了时间序列预测系列之AR模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1.模型介绍及适用性

1.1 模型介绍及原理

AR(Autoregression)模型:自回归模型,是一种线性模型 ,AR 模型的基本思想是当前时间点的观测值与之前时间点的观测值之间存在一定的自相关关系。AR 模型通常用参数 p 来表示自回归的阶数,表示当前时间点的观测值与前 p 个时间点的观测值相关。

A R ( p ) AR(p) AR(p)模型的数学表达式如下:
X t = c + ϕ 1 X t − 1 + ϕ 2 X t − 2 + … + ϕ p X t − p + ε t X_t=c+ϕ1X_{t−1}+ϕ2X_{t−2}+…+ϕpX_{t−p}+ε_t Xt=c+ϕ1Xt1+ϕ2Xt2++ϕpXtp+εt
其中:

  • Xt 是时间点 t 的观测值。
  • c 是常数项。
  • ϕ1,ϕ2,…,ϕp 是模型的参数,表示各自回归阶数的系数。
  • Xt−1,Xt−2,…,Xt−p 是时间点 t 之前的观测值。
  • εt 是白噪声误差项,表示时间点 t 的随机噪声

1.2 模型步骤

AR 模型的拟合和预测通常涉及以下步骤:

  1. 数据准备:收集和整理时间序列数据,确保数据满足平稳性(stationarity)的要求。
  2. 模型阶数 p 的选择:通过观察自相关函数(ACF)和偏自相关函数(PACF)的图来选择合适的 p 值。
  3. 参数估计:使用最大似然估计或其他估计方法来估计模型中的参数 ϕ1,ϕ2,…,ϕp 和可能的常数项 c。
  4. 模型拟合:使用估计的参数拟合 AR 模型。
  5. 模型诊断:检查模型的残差序列是否符合白噪声假设,以确保模型的质量。

2.实现案例

import numpy as np

# 生成模拟的时间序列数据
np.random.seed(0)
n = 100
t = np.arange(n)
epsilon = np.random.normal(0, 1, n)
X = 0.5 * t + epsilon

# 绘制时间序列图
plt.figure(figsize=(12, 6))
plt.plot(t, X, label='Time Series Data')
plt.xlabel('Time')
plt.ylabel('Value')
plt.legend()
plt.title('Simulated Time Series Data')
plt.show()

时间序列预测系列之AR模型,时序预测,ar,python,算法,数学建模

import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt

# Create a DataFrame with a time index
data = pd.DataFrame({'value': X}, index=pd.date_range(start='2023-01-01', periods=n, freq='D'))

# Fit an autoregressive model using AutoReg
lags = 2  # Number of lags for autoregressive model (AR(2) in this case)
model = sm.tsa.AutoReg(data['value'], lags=lags)
results = model.fit()

# Print model summary
print(results.summary())

# Plot the original data and the predicted values
plt.figure(figsize=(12, 6))
plt.plot(data.index, data['value'], label='Original Data')
plt.plot(data.index[lags:], results.fittedvalues, label='Fitted Values', linestyle='--')
plt.xlabel('Time')
plt.ylabel('Value')
plt.title('Autoregressive Model Fit')
plt.legend()
plt.grid(True)
plt.show()

时间序列预测系列之AR模型,时序预测,ar,python,算法,数学建模
时间序列预测系列之AR模型,时序预测,ar,python,算法,数学建模文章来源地址https://www.toymoban.com/news/detail-708410.html

到了这里,关于时间序列预测系列之AR模型的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习——时间序列ARIMA模型(三):AR、MA、ARMA、ARIMA模型定义及公式介绍及股价预测案例代码

    使用自身的数据进行预测,且只适用于预测与自身前期相关的现象。 注意:需满足具有平稳性的要求,需满足自相关性,自相关系数需大于0.5。 p阶自回归公式: y t = μ + ∑ i = 1 p γ i y t − i + e t y_{t}=μ+sum_{i=1}^pgamma_{i}y_{t-i}+e_{t} y t ​ = μ + i = 1 ∑ p ​ γ i ​ y t − i ​ + e

    2024年02月02日
    浏览(59)
  • 时间序列分析自回归模型AR

            自回归模型(Autoregressive Model,简称AR模型)是一种时间序列分析方法,用于描述一个时间序列变量与其过去值之间的关系。AR模型假设当前观测值与过去的观测值之间存在线性关系,通过使用过去的观测值来预测未来的观测值。 AR模型的一般形式可以表示为: Y

    2024年02月14日
    浏览(43)
  • 四种基础时间序列模型的应用与结果分析【AR、MA、ARMA、ARIMA】

    本文讲解了四种最简单的时间序列模型,从定义、确立模型、模型应用、结果分析出发,通过阅读可以迅速上手简易的时间序列模型。 AR模型的表达式如下: X t = c + ∑ i = 1 p ϕ i X t − i + ε t large X_t = c + sum_{i=1}^p phi_i X_{t-i} + varepsilon_t X t ​ = c + i = 1 ∑ p ​ ϕ i ​ X t −

    2024年02月05日
    浏览(72)
  • 时序预测 | MATLAB实现ARMA自回归移动平均模型时间序列预测

    预测效果 基本介绍 MATLAB实现ARMA时间序列预测(完整源码和数据) 本程序基于MATLAB的armax函数实现arma时间序列预测; 实现了模型趋势分析、序列平稳化、AIC准则模型参数识别与定阶、预测结果与误差分析过程,逻辑清晰。 数据为144个月的数据集,周期为一年,最终实现历史

    2024年02月07日
    浏览(61)
  • 时间序列基础操作:使用python与eviews对AR与ARMA模型进行定阶与预报

    一般处理时间序列的基本过程:(无季节趋势) 处理时间序列的简单过程(无季节趋势) 注:上图中LB检验的统计量纠正:n*(n+2),而不是n*(n-2)  几种基础时间序列模型(模型的具体形式补充见文末): 目录 一、Python处理 1.1.step1:平稳性检验与白噪音检验 1.1.1平稳性检验:

    2024年02月07日
    浏览(49)
  • 时间序列-AR MA ARIMA

    一、AR模型(自回归) AR探索 趋势和周期性 预测依赖于 过去的观测值和模型中的参数 。模型的阶数 p pp 决定了需要考虑多少个过去时间点的观测值。 求AR模型的阶数 p和参数 ϕ i phi_i ϕ i ​ ,常常会使用统计方法如 最小二乘法、信息准则(如AIC、BIC) 或者其他模型选择技术。

    2024年03月10日
    浏览(39)
  • 数学建模系列-预测模型(三)时间序列预测模型

    目录 前言 1 时间序列定义 1.1 朴素法 1.2 简单平均法 1.3 移动平均法 1.4 指数平滑法 1.4.1 一次指数平滑  1.4.2 二次指数平滑 1.4.3 三次指数平滑 1.5 AR模型 1.6 MA模型 1.7 ARMA模型 1.8 ARIMA模型 1.9 SARIMA模型         时间序列的目的:进行预测, 根据已有的时间序列数据预测未来

    2024年02月07日
    浏览(47)
  • 时序预测 | Python实现ARIMA-LSTM差分自回归移动平均模型结合长短期记忆神经网络时间序列预测

    预测效果 基本介绍 时序预测 | Python实现ARIMA-LSTM差分自回归移动平均模型结合长短期记忆神经网络时间序列预测 直接替换数据即可用 适合新手小白 附赠案例数据 可直接运行 程序设计 完整程序和数据下载方式私信博主回复: Python实现ARIMA-LSTM差分自回归移动平均模型结合长

    2024年02月07日
    浏览(49)
  • 时序预测 | Matlab实现ARIMA-LSTM差分自回归移动差分自回归移动平均模型模型结合长短期记忆神经网络时间序列预测

    预测效果 基本介绍 时序预测 | Matlab实现ARIMA-LSTM差分自回归移动差分自回归移动平均模型模型结合长短期记忆神经网络时间序列预测 程序设计 完整程序和数据下载方式私信博主回复: Matlab实现ARIMA-LSTM差分自回归移动差分自回归移动平均模型模型结合长短期记忆神经网络时间

    2024年02月07日
    浏览(60)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包