机器学习课程-温州大学-时间序列总结

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/fengdu78

摘要

文档主要介绍了时间序列的基本概念和操作，包括固定频率时间序列、时间周期及计算、重采样、滑动窗口统计以及ARIMA模型。时间序列是指多个时间点上形成的数值序列，可以定期或不定期出现。滑动窗口是一种用于计算时间序列内统计指标的方法，相当于一个滑动的窗口在时间序列上滑动，反馈窗口内的数据。ARIMA模型是一种常用的时间序列预测模型，结合了自回归、差分和移动平均等方法。

AI总结

《机器学习课程-温州大学-时间序列总结》主要围绕时间序列的基本概念、操作方法及应用模型展开，以下是文档的核心内容总结：

1. **时间序列的基本概念**
时间序列是指在多个时间点上形成的数值序列，可以是定期或不定期出现的数据。时间序列分析是研究数据随时间变化的模式和趋势的重要方法。

2. **时间序列的基本操作**
包括数据的截断、重采样等操作，用于处理和分析时间序列数据。

3. **固定频率的时间序列**
时间序列数据可以按照固定的频率（如日、周、月、年）进行组织和分析。

4. **时间周期及计算**
时间序列的周期性是分析的重要内容，用于识别数据中的重复模式。

5. **重采样**
重采样是将时间序列数据从一种频率转换为另一种频率的过程，常用于数据预处理。

6. **数据统计—滑动窗口**
滑动窗口是一种基于指定长度的窗口，用于计算窗口内数据的统计指标（如均值、标准差等）。它在时间序列数据的特征提取中广泛应用。

7. **时序模型—ARIMA**
ARIMA（自回归积分滑动平均模型）是一种常用的时间序列预测模型，由三部分组成：
- **AR（自回归）**：利用过去值进行预测。
- **I（积分）**：通过差分处理使非平稳序列变为平稳序列。
- **MA（滑动平均）**：利用预测误差的线性组合进行预测。
ARIMA模型广泛应用于时间序列的预测和分析。

8. **学习目标**
- 了解时间序列的基本概念和ARIMA模型。
- 掌握时间序列的基本操作和滑动窗口的使用。
- 熟悉时间序列数据的处理和分析方法。

总结来看，该文档系统地介绍了时间序列的基本知识、操作方法及其核心模型（ARIMA），为时间序列分析的学习和应用提供了全面的指导。