时间序列预测（最终使用 python）[关闭]答案

【问题标题】：Time series forecasting (eventually with python) [closed]时间序列预测（最终使用 python）[关闭]
【发布时间】：2011-04-04 18:53:21
【问题描述】：

【问题讨论】：

如果你能解释你的应用程序（你正在使用什么样的时间序列）会很有帮助，因为最好的方法是疯狂的函数。您的算法“存在”问题的答案是“很多”。
我正在处理财务数据（外汇时间序列）
我的最爱！最重要的是首先描述时间序列中的随机性；如果您发现它是随机的，那么任何确定性方法都只能靠运气。对于市场，您可能会在这里和那里发现非随机行为的阴影，并且会淡入淡出。因此，确定性方法的成功很大程度上取决于您的适应能力。

【解决方案1】：

我对 python 库一无所知，但是 R 中有很好的预测算法是开源的。有关时间序列预测的代码和参考，请参阅 forecast 包。

【讨论】：

【解决方案2】：

只谈它们背后的算法，我最近在一个项目中使用了double exponential smoothing，它通过在数据出现趋势时预测新值表现良好。

实现非常简单，但算法可能没有针对您的情况进行充分阐述。

【讨论】：

【解决方案3】：

您是否尝试过Autocorrelation 来查找时间序列中的周期性模式？你可以使用numpy.correlate 函数来做到这一点。

【讨论】：

听起来很有趣，你有例子或一些sn-ps的链接吗？
不知道有没有帮助，不过你可以试试看这里-dr-adorio-adventures.blogspot.com/2010/04/…也检查非常好的Python计算机代数系统SAGE-sagemath.org/doc/reference/sage/finance/time_series.html

【解决方案4】：

时间序列回归的经典方法是：

我知道的其他不太常见的方法是

Slow Feature Analysis，一种提取时间序列驱动力的算法，例如parameters behind a chaotic signal
神经网络 (NN) 方法，使用循环 NN（即，用于处理时间信号）或经典前馈 NN，接收过去数据的输入部分并尝试预测未来的某个点;后者的优点是已知循环神经网络在考虑遥远的过去方面存在问题

在我看来，对于财务数据分析，重要的是不仅要获得时间序列的最佳猜测外推，还要获得可靠的置信区间，因为由此产生的投资策略可能会因此而大不相同。概率方法，如高斯过程，“免费”为您提供，因为它们返回可能的未来值的概率分布。使用经典统计方法，您将不得不依赖 bootstrapping techniques。

提供统计和机器学习工具的 Python 库有很多，以下是我最熟悉的：

【讨论】：

pandas 是比较活跃的项目：pandas.pydata.org
是的，pandas 是一个处理数据序列的好项目，尤其是当日期很重要时。但是，据我所知，除了基本的统计工具之外，它不包含许多用于预测和回归的算法。参见例如pandas.pydata.org/pandas-docs/dev/computation.html
谢谢！我一直在寻找有关如何为在嘈杂环境中运行的传感器（例如 IMU 或声纳）构建通用内部模型的想法，除了传统的噪声建模之外，这还提供了很好的想法。

【解决方案5】：

Group method of data handling 被广泛用于预测财务数据。

【讨论】：

【解决方案6】：

两种方法

对于分类、回归、聚类、预测和相关任务如何处理时间结构化输入有两种方法：

专用时间序列模型：机器学习算法直接结合了这样的时间序列。这样的模型就像一个黑匣子，很难解释模型的行为。示例是自回归模型。
基于特征的方法：在这里，时间序列被映射到另一个可能更低维的表示。这意味着特征提取算法计算特征，例如时间序列的平均值或最大值。然后将这些特征作为特征矩阵传递给“正常”机器学习，例如神经网络、随机森林或支持向量机。这种方法的优点是可以更好地解释结果。此外，它使我们能够使用完善的监督机器学习理论。

python 包tsfresh 从包含时间序列的 pandas.DataFrame 中计算大量此类特征。您可以在http://tsfresh.readthedocs.io 找到它的文档。

免责声明：我是 tsfresh 的作者之一。

【讨论】：

伙计们，如果我们有回归/多类标签，如何使用这个库？您的 test example (github.com/blue-yonder/tsfresh/blob/master/notebooks/…) 工作正常。但是，same example 但与 tiny changes 将无法正常工作 - content.screencast.com/users/SASH2012/folders/Jing/media/… 请告知。
您使用的是随机目标。对于随机目标，没有任何特征是相关的。因此该算法将删除所有特征。
我想说一些功能的统计测试价值非常小，但并不相关。如何添加基于 Boruta 的自定义 feature_selector？
在您上面发布的屏幕截图中，您将目标向量 y 设置为随机变量。你能想到的每一个时间序列特征对于随机目标来说都是毫无价值的

【解决方案7】：

如果您想了解使用 Python 进行时间序列预测，那么下面的链接非常有帮助。

【讨论】：