关于如何处理数据在时间上的周期性

针对时间序列，有的时候也涉及随机过程。

 

有时候，会有周期性呈现，因此，这里总结几个去掉数据周期性的技术 —— 主要是数据处理技术。

 

1.ACF 和 PACF 判断时间序列的周期性问题。

这篇文章，我看到最终是用 ACF 判断的。其过程，相应的 python 代码页显示了，series - k-power - period 三层变换，输出的就是变换过的数据。

参考：点击阅读原文《周期性检测算法及其 Python 实践》

 

2.乘法模型 / 加法模型的做法

消除季节性因素的两大方法：

（1）季节指数调整方法：它通过修正原始数据(消除原始数据的季节性因素)，使其更符合实际数据变化的客观规律，能较大地提高预测的准确性。

（2）季节因子调整方法：季节因子方法是一种事后修正预测值的方法，即通过拟合值对预测值进行指数调整，可以消除季节性对预测精度的影响（知乎 -  CuiEr，2022）。

还可以参考这篇文章，《【时间序列】时间序列分解总结》。

 

3.消除季节性：差分

季节性模型可以从时间序列中删除。此过程称为“季节性调整”（Seasonal Adjustment）或“反季节化”（Deseasonalizing）。

去除了季节性成分的时间序列称为 【季节性平稳】。具有明显季节性成分的时间序列，称为 【非平稳时间序列（non-stationary）】。

这篇文章，提供的是【差分】方法， 解决季节性的问题。

然后提出，【移动平均方法】。

 

 

 

ShoelessCai.com 

我们致力于用商业方式，赋能行业。