隨著社會(huì)的進(jìn)步，人們生活水平的提高，或是人人都有私家車，然而驅(qū)車在外，停車卻成了一個(gè)頭大的問題。而沒車的我在維護(hù)一組智能停車計(jì)時(shí)器，它們提供了關(guān)于它們使用頻率和使用時(shí)間的數(shù)據(jù)。而時(shí)刻都在思考，如何才能為大家提供更好的服務(wù)。

如果可以根據(jù)儀表的過去表現(xiàn)，根據(jù)供求規(guī)律來預(yù)測(cè)它的未來價(jià)值，那會(huì)怎樣呢？

準(zhǔn)確預(yù)測(cè)什么時(shí)間采取相應(yīng)策略來實(shí)現(xiàn)目標(biāo)，這是一個(gè)不小的挑戰(zhàn)，但對(duì)于這個(gè)挑戰(zhàn)，其實(shí)是可以通過時(shí)間序列預(yù)測(cè)來解決。當(dāng)你們?cè)诟叻迤诳嗫鄬ふ彝＼囄粫r(shí)，又被告知這將收取你比平時(shí)更多的費(fèi)用，你們肯定難以接受。但街道通暢無阻的話，車主停車方便，也能給我?guī)聿簧俚氖杖?，真是一舉兩得！

接下來我們來探索一些時(shí)間序列算法。

一些定義時(shí)間序列預(yù)測(cè)法時(shí)間序列預(yù)測(cè)法是一種歷史資料延伸預(yù)測(cè)，也稱歷史引伸預(yù)測(cè)法。是以數(shù)據(jù)數(shù)列所能反映的社會(huì)經(jīng)濟(jì)現(xiàn)象的發(fā)展過程和規(guī)律性，進(jìn)行引伸外推，預(yù)測(cè)其發(fā)展趨勢(shì)的方法。

需要明確一點(diǎn)的是，與回歸分析預(yù)測(cè)模型不同，時(shí)間序列模型依賴于數(shù)值在時(shí)間上的先后順序，同樣大小的值改變順序后輸入模型產(chǎn)生的結(jié)果是不同的。

時(shí)間序列預(yù)測(cè)對(duì)商業(yè)有真正的價(jià)值，因?yàn)樗苯討?yīng)用于定價(jià)、庫存和供應(yīng)鏈問題。雖然深度學(xué)習(xí)技術(shù)已經(jīng)開始用于獲得更多的洞察力，以更好地預(yù)測(cè)未來，但時(shí)間序列預(yù)測(cè)仍然是一個(gè)主要由經(jīng)典ML技術(shù)提供信息的領(lǐng)域。

當(dāng)遇到時(shí)間序列這個(gè)詞時(shí)，你需要了解它在不同語境中的用法。

時(shí)間序列在數(shù)學(xué)中，時(shí)間序列是按時(shí)間順序索引（或列出或圖表）的一系列數(shù)據(jù)點(diǎn)。最常見的是，時(shí)間序列是在連續(xù)的等間隔時(shí)間點(diǎn)上獲得的序列。

時(shí)間序列的一個(gè)例子是道瓊斯工業(yè)平均指數(shù)［1］的日收盤價(jià)。在信號(hào)處理、天氣預(yù)報(bào)、地震預(yù)報(bào)和其他可以繪制事件和數(shù)據(jù)點(diǎn)的領(lǐng)域中，經(jīng)常會(huì)遇到時(shí)間序列圖和統(tǒng)計(jì)建模的使用。

時(shí)間序列分析時(shí)間序列分析，就是對(duì)上述時(shí)間序列數(shù)據(jù)的分析。時(shí)間序列數(shù)據(jù)可以采取不同的形式，包括中斷時(shí)間序列，它檢測(cè)時(shí)間序列在中斷事件前后的演變模式。時(shí)間序列所需的分析類型取決于數(shù)據(jù)的性質(zhì)。時(shí)間序列數(shù)據(jù)本身可以采用數(shù)字或字符序列的形式。

時(shí)間序列分析考慮了這樣一個(gè)事實(shí)，即隨著時(shí)間的推移獲取的數(shù)據(jù)點(diǎn)可能具有應(yīng)該考慮的內(nèi)部結(jié)構(gòu)（例如自相關(guān)、趨勢(shì)或季節(jié)性變化）

要進(jìn)行的分析使用多種方法，包括頻域和時(shí)域、線性和非線性等等。可參見了解更多關(guān)于這類數(shù)據(jù)的時(shí)間序列分析的多種方法［2］。

時(shí)間序列分解時(shí)間序列由四個(gè)部分組成：

：季節(jié)性成分

：趨勢(shì)性成分

：周期性成分

：殘差，或不規(guī)則組件。

時(shí)間序列分量分解之間的關(guān)系：

加法分解：

， 在哪里 是當(dāng)時(shí)的數(shù)據(jù) 噸。

乘法分解：

將乘法關(guān)系變成加法關(guān)系：

一個(gè)加模型是否季節(jié)性波動(dòng)的幅度不隨水平變化是適當(dāng)?shù)?。如果季?jié)性波動(dòng)與序列的水平成正比，那么乘法模型是合適的。乘法分解在經(jīng)濟(jì)序列中更為普遍。

時(shí)間序列預(yù)測(cè)時(shí)間序列預(yù)測(cè)是使用一個(gè)模型來預(yù)測(cè)未來的價(jià)值，該模型基于以前收集的數(shù)據(jù)在過去發(fā)生的模式。雖然可以使用回歸模型來探索時(shí)間序列數(shù)據(jù)，將時(shí)間指數(shù)作為圖表上的 變量，但最好使用特殊類型的模型來分析此類數(shù)據(jù)。

時(shí)間序列數(shù)據(jù)是一組有序的觀測(cè)數(shù)據(jù)，不像可以通過線性回歸分析的數(shù)據(jù)。最常見的是ARIMA，這是Autoregressive Integrated Moving Average（自回歸綜合移動(dòng)平均線）的首字母縮寫。

ARIMA 模型［3］ 將一系列的現(xiàn)值與過去的值和過去的預(yù)測(cè)誤差聯(lián)系起來。它們最適合于分析時(shí)域數(shù)據(jù)，其中數(shù)據(jù)是隨時(shí)間排序的。

后面推文將介紹使用單變量時(shí)間序列［4］構(gòu)建一個(gè)ARIMA模型，該模型關(guān)注一個(gè)隨時(shí)間改變其值的變量。這類數(shù)據(jù)的一個(gè)例子是這個(gè)數(shù)據(jù)集［5］，它記錄了莫納羅亞天文臺(tái)每月的二氧化碳濃度：

CO2YearMonthYearMonth

330.621975.0419751

331.401975.1319752

331.871975.2119753

333.181975.2919754

333.921975.3819755

333.431975.4619756

331.851975.5419757

330.011975.6319758

328.511975.7119759

328.411975.79197510

329.251975.88197511

330.971975.96197512

時(shí)間序列數(shù)據(jù)特征在查看時(shí)間序列數(shù)據(jù)時(shí)，為了更好地理解其模式，需要拆解某些特征。如果你想要分析“信號(hào)”包含在時(shí)間序列數(shù)據(jù)中，那么就認(rèn)為這些特征是相對(duì)于“信號(hào)”的“噪聲”。此時(shí)需要通過使用一些統(tǒng)計(jì)技術(shù)來抵消這些特征以減少“噪音”。

時(shí)間序列數(shù)據(jù)變動(dòng)存在規(guī)律性與不規(guī)律性時(shí)間序列中的每個(gè)觀察值大小，是影響變化的各種不同因素在同一時(shí)刻發(fā)生作用的綜合結(jié)果。從這些影響因素發(fā)生作用的大小和方向變化的時(shí)間特性來看，這些因素造成的時(shí)間序列數(shù)據(jù)的變動(dòng)分為四種類型。

趨勢(shì)性

某個(gè)變量隨著時(shí)間進(jìn)展或自變量變化，呈現(xiàn)一種比較緩慢而長(zhǎng)期的持續(xù)上升、下降、停留的同性質(zhì)變動(dòng)趨向，但變動(dòng)幅度可能不相等。

季節(jié)性

某因素由于外部影響隨著自然季節(jié)的交替出現(xiàn)高峰與低谷的規(guī)律。

隨機(jī)性

個(gè)別為隨機(jī)變動(dòng)，整體呈統(tǒng)計(jì)規(guī)律。

綜合性

實(shí)際變化情況是幾種變動(dòng)的疊加或組合。預(yù)測(cè)時(shí)設(shè)法過濾除去不規(guī)則變動(dòng)，突出反映趨勢(shì)性和周期性變動(dòng)。

查看時(shí)間序列時(shí)首先要考慮的重要特征是否存在趨勢(shì)，意味著平均而言，測(cè)量值會(huì)隨著時(shí)間的推移而增加（或減少）？

是否存在季節(jié)性，這意味著與日歷時(shí)間（例如季節(jié)、季度、月份、星期幾等）相關(guān)的高點(diǎn)和低點(diǎn)有規(guī)律地重復(fù)模式？

有異常值嗎？在回歸中，離群值離你的線很遠(yuǎn)。對(duì)于時(shí)間序列數(shù)據(jù)，您的異常值與其他數(shù)據(jù)相距甚遠(yuǎn)。

是否存在與季節(jié)性因素?zé)o關(guān)的長(zhǎng)期周期或時(shí)期？

隨著時(shí)間的推移是否存在恒定的方差，或者方差是非常量的？

序列水平或方差是否有任何突然變化？

趨勢(shì)性通常，時(shí)間序列中不具有周期性的系統(tǒng)變化稱為趨勢(shì)。趨勢(shì)是序列隨時(shí)間的持續(xù)增加或減少。從時(shí)間序列數(shù)據(jù)集中識(shí)別、建模甚至刪除趨勢(shì)信息可能會(huì)帶來好處。

趨勢(shì)類型有各種各樣的趨勢(shì)，通常分為：

確定性趨勢(shì)：這些是持續(xù)增加或減少的趨勢(shì)。

隨機(jī)性趨勢(shì)：這些趨勢(shì)會(huì)不一致地增加和減少。

一般來說，確定性趨勢(shì)更容易識(shí)別和刪除。

根據(jù)觀察范圍來分類趨勢(shì)：

全局趨勢(shì)：這些趨勢(shì)適用于整個(gè)時(shí)間序列。

本地趨勢(shì)：這些趨勢(shì)適用于時(shí)間序列的部分或子序列。

一般來說，全局趨勢(shì)更容易識(shí)別和應(yīng)對(duì)。

識(shí)別趨勢(shì)可以繪制時(shí)間序列數(shù)據(jù)以查看趨勢(shì)是否明顯。

而在實(shí)踐中，識(shí)別時(shí)間序列中的趨勢(shì)可能是一個(gè)主觀過程。因此從時(shí)間序列中提取或刪除它可能同樣具有主觀性。

創(chuàng)建數(shù)據(jù)的線圖并檢查圖中的明顯趨勢(shì)。

在圖中添加線性和非線性趨勢(shì)線，看看趨勢(shì)是否明顯。

刪除趨勢(shì)具有趨勢(shì)的時(shí)間序列稱為非平穩(wěn)的?？梢詫?duì)識(shí)別的趨勢(shì)進(jìn)行建模。建模后，可以將其從時(shí)間序列數(shù)據(jù)集中刪除。這稱為去趨勢(shì)時(shí)間序列。

如果數(shù)據(jù)集沒有趨勢(shì)或我們成功地移除了趨勢(shì)，則稱該數(shù)據(jù)集是趨勢(shì)平穩(wěn)的。

在機(jī)器學(xué)習(xí)中使用時(shí)間序列趨勢(shì)從機(jī)器學(xué)習(xí)的角度來看，數(shù)據(jù)的趨勢(shì)代表著兩個(gè)機(jī)會(huì)：

刪除信息：刪除扭曲輸入和輸出變量之間關(guān)系的系統(tǒng)信息。

添加信息：添加系統(tǒng)信息以改善輸入和輸出變量之間的關(guān)系。

具體來說，作為數(shù)據(jù)準(zhǔn)備和清洗練習(xí)，可以從時(shí)間序列數(shù)據(jù)（以及未來的數(shù)據(jù)）中刪除趨勢(shì)。這在使用統(tǒng)計(jì)方法進(jìn)行時(shí)間序列預(yù)測(cè)時(shí)很常見，但在使用機(jī)器學(xué)習(xí)模型時(shí)并不總是能改善結(jié)果。

季節(jié)性季節(jié)性被定義為周期性的波動(dòng)，季節(jié)性變化或季節(jié)性是隨著時(shí)間有規(guī)律地重復(fù)的循環(huán)。

許多時(shí)間序列顯示季節(jié)性。例如，零售額往往在春季期間達(dá)到頂峰，然后在假期過后下降。因此，零售銷售的時(shí)間序列通常會(huì)顯示 1月至 3月的銷售額增加，而 4 月和 5 月的銷售額下降。季節(jié)性在經(jīng)濟(jì)時(shí)間序列中很常見，它在工程和科學(xué)數(shù)據(jù)中不太常見。

時(shí)間序列中的周期結(jié)構(gòu)可能是季節(jié)性的，也可能不是。如果它始終以相同的頻率重復(fù)，則是季節(jié)性的，否則就不是季節(jié)性的，稱為循環(huán)。

季節(jié)性類型季節(jié)性有很多種。例如：時(shí)間、日、每周、每月、每年。因此，確定時(shí)間序列問題中是否存在季節(jié)性成分是主觀的。

確定是否存在季節(jié)性因素的最簡(jiǎn)單方法是繪制和查看數(shù)據(jù)，可能以不同的比例并添加趨勢(shì)線。

去除季節(jié)性一旦確定了季節(jié)性，就可以對(duì)其進(jìn)行建模。季節(jié)性模型可以從時(shí)間序列中刪除。此過程稱為季節(jié)性調(diào)整［8］或去季節(jié)性［9］化。

去除了季節(jié)性成分的時(shí)間序列稱為季節(jié)性平穩(wěn)。具有明顯季節(jié)性成分的時(shí)間序列被稱為非平穩(wěn)的。

在時(shí)間序列分析領(lǐng)域，有一些復(fù)雜的方法可以從時(shí)間序列中研究和提取季節(jié)性。

機(jī)器學(xué)習(xí)中作用了解時(shí)間序列中的季節(jié)性成分可以提高機(jī)器學(xué)習(xí)建模的性能。

這可以通過兩種主要方式發(fā)生：

更清晰的信號(hào)：從時(shí)間序列中識(shí)別和去除季節(jié)性成分可以使輸入和輸出變量之間的關(guān)系更清晰。

更多信息：關(guān)于時(shí)間序列季節(jié)性分量的附加信息可以提供新信息以提高模型性能。

這兩種方法都可能對(duì)項(xiàng)目有用。并在數(shù)據(jù)清洗和準(zhǔn)備期間就需要建模季節(jié)性并將其從時(shí)間序列中刪除。

在特征提取和特征工程期間，可能會(huì)提取季節(jié)性信息并將其作為輸入特征。

其他離群值：離群值離標(biāo)準(zhǔn)數(shù)據(jù)方差很遠(yuǎn)。

長(zhǎng)期循環(huán)：獨(dú)立于季節(jié)性因素，數(shù)據(jù)可能顯示一個(gè)長(zhǎng)期周期，比如持續(xù)超過一年的經(jīng)濟(jì)衰退。

恒定方差：隨著時(shí)間的推移，一些數(shù)據(jù)顯示出不斷的波動(dòng)，比如每天和晚上的能源使用量。

突變：數(shù)據(jù)可能顯示出突變，可能需要進(jìn)一步分析。例如，由于COVID而突然關(guān)閉的企業(yè)導(dǎo)致了數(shù)據(jù)的變化。

以下是時(shí)間序列樣本圖［11］，顯示了玩家在過去幾年里每天花費(fèi)在游戲中的貨幣。你能在這個(gè)數(shù)據(jù)中識(shí)別出上面列出的任何特征嗎？

時(shí)間序列預(yù)測(cè)方法基本規(guī)則通過人工經(jīng)驗(yàn)，挖掘時(shí)序數(shù)據(jù)的演化特征，找到時(shí)序變化的周期，從而預(yù)估時(shí)間序列的未來走勢(shì)。具體的觀察一個(gè)時(shí)間序列，當(dāng)序列存在周期性時(shí)，提取時(shí)間序列的周期性特征進(jìn)行預(yù)測(cè)。

傳統(tǒng)參數(shù)法傳統(tǒng)的參數(shù)預(yù)測(cè)方法可以分為兩種，

一種擬合標(biāo)準(zhǔn)時(shí)間序列的餐順方法，包括移動(dòng)平均，指數(shù)平均等；

另一種是考慮多因素組合的參數(shù)方法，即 AR， MA， ARMA， ARIMA等模型。這類方法比較適用于小規(guī)模，單變量的預(yù)測(cè)。

時(shí)間序列分解一個(gè)時(shí)間序列往往是一下幾類變化形式的疊加或耦合

長(zhǎng)期趨勢(shì) （Secular trend， T）

長(zhǎng)期趨勢(shì)指現(xiàn)象在較長(zhǎng)時(shí)期內(nèi)持續(xù)發(fā)展變化的一種趨向或狀態(tài)。

季節(jié)變動(dòng) （Seasonal Variation， S）

季節(jié)波動(dòng)是由于季節(jié)的變化引起的現(xiàn)象發(fā)展水平的規(guī)則變動(dòng)

循環(huán)波動(dòng) （Cyclical Variation， C）

循環(huán)波動(dòng)指以若干年為期限，不具嚴(yán)格規(guī)則的周期性連續(xù)變動(dòng)

不規(guī)則波動(dòng) （Irregular Variation， I）

不規(guī)則波動(dòng)指由于眾多偶然因素對(duì)時(shí)間序列造成的影響

機(jī)器學(xué)習(xí)主要是構(gòu)建樣本數(shù)據(jù)集，采用“時(shí)間特征”到“樣本值”的方式，通過有監(jiān)督學(xué)習(xí)，學(xué)習(xí)特征與標(biāo)簽之前的關(guān)聯(lián)關(guān)系，從而實(shí)現(xiàn)時(shí)間序列預(yù)測(cè)。

單步預(yù)測(cè)在時(shí)間序列預(yù)測(cè)中使用滯后的觀測(cè)值 ，作為輸入變量來預(yù)測(cè)當(dāng)前的時(shí)間的觀測(cè)值

多步預(yù)測(cè)使用過去的觀測(cè)序列 來預(yù)測(cè)未來的觀測(cè)序列

多變量預(yù)測(cè)每個(gè)時(shí)間有多個(gè)觀測(cè)值：

通過不同的測(cè)量手段得到了多種觀測(cè)值，并且希望預(yù)測(cè)其中的一個(gè)或幾個(gè)值。

深度學(xué)習(xí)對(duì)于時(shí)間序列的分析，有許多方法可以進(jìn)行處理，包括：循環(huán)神經(jīng)網(wǎng)絡(luò)-LSTM模型 / 卷積神經(jīng)網(wǎng)絡(luò) / 基于注意力機(jī)制的模型（seq2seq）/。..

循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）框架及其變種（LSTM/GRU/。..）是為處理序列型而生的模型，天生的循環(huán)自回歸的結(jié)構(gòu)是對(duì)時(shí)間序列的很好的表示

時(shí)間卷積網(wǎng)絡(luò)時(shí)間卷積網(wǎng)絡(luò)（TCN）是一種特殊的卷積神經(jīng)網(wǎng)絡(luò)，針對(duì)一維空間做卷積，迭代多層捕捉長(zhǎng)期關(guān)系。具體的，對(duì)于上一層t時(shí)刻的值，只依賴于下一層t時(shí)刻及其之前的值。

一個(gè)時(shí)間序列數(shù)據(jù)--電力使用數(shù)據(jù)開始創(chuàng)建一個(gè)時(shí)間序列模型，根據(jù)過去的使用情況來預(yù)測(cè)未來的電力使用量。

本例中的數(shù)據(jù)來自GEFCom2014預(yù)測(cè)競(jìng)賽。由2012 - 2014年3年的小時(shí)電負(fù)荷和溫度值組成。

import os

import matplotlib.pyplot as plt

import pandas as pd

%matplotlib inline

data_dir = ‘。/data’

energy = pd.read_csv（‘。/energy.csv’）

energy.head（）

可以看到有兩列表示date和load

load

2012-01-01 00002698.0

2012-01-01 01002558.0

2012-01-01 02002444.0

2012-01-01 03002402.0

2012-01-01 04002403.0

可視化energy.plot（y=‘load’， subplots=True， figsize=（15， 8）， fontsize=12）

plt.xlabel（‘timestamp’， fontsize=12）

plt.ylabel（‘load’， fontsize=12）

plt.show（）

現(xiàn)在，繪制2014年7月的第一周，將其作為energy的輸入，在［from date］： ［to date］ 模式中：

energy［‘2014-07-01’：‘2014-07-07’］.plot（y=‘load’， subplots=True， figsize=（15， 8）， fontsize=12）

plt.xlabel（‘timestamp’， fontsize=12）

plt.ylabel（‘load’， fontsize=12）

plt.show（）

看看這些圖，看看你是否能確定上面列出的任何特征。通過可視化數(shù)據(jù)我們可以推測(cè)出什么？后面將介紹創(chuàng)建一個(gè)ARIMA模型來創(chuàng)建一些預(yù)測(cè)。

責(zé)任編輯：haq