Questions tagged «time-series»

定义白噪声过程以使其直观易懂的最佳方法是什么？

25 time-series 

我已经开始通过安德鲁·摩尔（Andrew Moore）编写的《统计数据挖掘教程》来工作（强烈推荐给初次接触该领域的任何人）。我首先阅读了这份非常有趣的PDF，标题为“基于时间序列的异常检测算法简介”，其中Moore跟踪了创建算法以检测疾病暴发时使用的许多技术。在幻灯片的中间，第27页，他列出了许多其他用于检测爆发的“最新方法”。列出的第一个是小波。维基百科将小波描述为 振幅从零开始的波状振荡，先增大后减小，然后回零。通常可以将其可视化为“简短振荡” 但并未描述它们在统计学中的应用，我的Google搜索结果获得了学术论文，这些论文都假设小波如何与统计数据或该主题的完整书籍相关。 我希望对小波如何应用于时间序列异常检测有一个基本的了解，就像Moore在他的教程中说明其他技术一样。有人可以提供有关使用小波的检测方法如何工作的解释，或者可以提供有关此问题的可理解文章的链接吗？

25 time-series  outliers  signal-processing  wavelet 

这可能很难找到，但是我想阅读一个很好解释的ARIMA示例， 使用最少的数学 将讨论从构建模型扩展到使用该模型预测特定案例 使用图形和数值结果来表征预测值和实际值之间的拟合度。

25 time-series  arima  intuition 

我有一个时间序列，我想将其作为子集，同时将其保留为时间序列，以保留开始，结束和频率。 例如，假设我有一个时间序列： > qs <- ts(101:110, start=c(2009, 2), frequency=4) > qs Qtr1 Qtr2 Qtr3 Qtr4 2009 101 102 103 2010 104 105 106 107 2011 108 109 110 现在，我将其子集化： > qs[time(qs) >= 2010 & time(qs) < 2011] [1] 104 105 106 107 请注意，我得到了正确的结果，但是我丢失了时间序列（即开始，结束，频率）中的“包裹”。 我正在为此寻找一个功能。划分时间序列不是常见的情况吗？由于我还没有找到，所以我写了一个函数： subset.ts <- function(data, start, end) { …

25 r  time-series 

我目前在R中使用Twitter的AnomalyDetection：https : //github.com/twitter/AnomalyDetection。该算法为具有季节性的数据提供时间序列异常检测。 问题：是否有与此类似的其他算法（控制季节性无关紧要）？ 我正在尝试在数据上为尽可能多的时间序列算法评分，以便我可以选择最佳的算法。

24 r  regression  time-series  anomaly-detection 

以下代码评估两个时间序列之间的相似性： set.seed(10) RandData <- rnorm(8760*2) America <- rep(c('NewYork','Miami'),each=8760) Date = seq(from=as.POSIXct("1991-01-01 00:00"), to=as.POSIXct("1991-12-31 23:00"), length=8760) DatNew <- data.frame(Loc = America, Doy = as.numeric(format(Date,format = "%j")), Tod = as.numeric(format(Date,format = "%H")), Temp = RandData, DecTime = rep(seq(1, length(RandData)/2) / (length(RandData)/2), 2)) require(mgcv) mod1 <- gam(Temp ~ Loc + s(Doy) + s(Doy,by …

24 r  time-series  data-visualization  gam 

计算两个大小完全相同的时间序列之间的相关性的最简单方法/方法是什么？我认为乘以和（ÿ [ 吨] - μ Ý），并加入了乘法。因此，如果这个数字是正数，我们可以说这两个系列是相关的吗？我可以想到一些示例，其中另一个线性增长的时间序列线性地彼此不相关，但是上面的计算表明它们是相关的。(x[t]−μx)(x[t]−μx)(x[t]-\mu_x)(y[t]−μy)(y[t]−μy)(y[t] - \mu_y) 有什么想法吗？

24 time-series 

我正在尝试进行时间序列分析，并且是该领域的新手。我每天都在统计2006-2009年的某个事件，因此我想为其拟合时间序列模型。这是我取得的进步： timeSeriesObj = ts(x,start=c(2006,1,1),frequency=365.25) plot.ts(timeSeriesObj) 我得到的结果图是： 为了验证是否存在季节性和趋势数据，或者不是，我按照此提到的步骤后： ets(x) fit <- tbats(x) seasonal <- !is.null(fit$seasonal) seasonal 在Rob J Hyndman的博客中： library(fma) fit1 <- ets(x) fit2 <- ets(x,model="ANN") deviance <- 2*c(logLik(fit1) - logLik(fit2)) df <- attributes(logLik(fit1))$df - attributes(logLik(fit2))$df #P value 1-pchisq(deviance,df) 两种情况都表明没有季节性。 当我绘制该系列的ACF和PACF时，得到的是： 我的问题是： 这是处理每日时间序列数据的方式吗？该页面建议我应该同时查看每周和年度模式，但是这种方法对我来说并不明确。 一旦有了ACF和PACF图，我将不知道如何进行。 我可以简单地使用auto.arima函数吗？ 适合<-arima（myts，order = c（p，d，q） *****更新了Auto.Arima结果****** 当我根据罗布海德门的评论的数据的频率改变为7 这里，auto.arima选择一个季节性ARIMA模型和输出： …

24 r  time-series  seasonality  multiple-seasonalities  tbats  hypothesis-testing  beta-distribution  machine-learning  unsupervised-learning  supervised-learning  reinforcement-learning 

我正在寻找一个在时间序列上执行变更点分析的Python模块。有很多不同的算法，我想探索其中一些算法的有效性，而不必手动滚动每种算法。 理想情况下，我需要R中的一些模块，例如bcp（贝叶斯变更点）或strucchange软件包。我希望在Scipy中找到一些模块，但是我无法打开任何东西。 我很惊讶其中没有任何设施： statsmodels.tsa：时间序列统计分析工具 scikits.timeseries：扩展scipy的时间序列分析工具 scipy.signal：scipy中的信号处理工具 Python中是否有带有变更点检测算法的模块？

24 time-series  python  change-point 

在我最近问的一个问题中，有人告诉我，用黄土推断是一个很大的“不可以”。但是，在Nate Silver在FiveThirtyEight.com上的最新文章中，他讨论了使用黄土做出选举预测。 他当时在讨论黄土侵略性与保守性预报的细节，但我对黄土做出未来预测的有效性感到好奇吗？ 我也对这次讨论以及对黄土可能有类似好处的其他替代方法感兴趣。

23 time-series  forecasting  predictive-models  loess  politics 

我们通常将PCA用作假设情况为iid的数据的降维技术 问题：在将PCA应用于相关的非id数据时，典型的细微差别是什么？持有iid数据的PCA的哪些好用/有用属性被破坏（或完全丢失）？ 例如，数据可以是多元时间序列，在这种情况下，可以预期自相关或自回归条件异方差（ARCH）。 上应用PCA，以时间序列数据的几个相关的问题已经被问过，如1，2，3，4，但是我正在寻找一个更普遍和全面的答案（而无需在每个单独的点太多展开）。 编辑：正如@ttnphns所指出的，PCA 本身不是推论分析。但是，人们可能会对PCA的泛化性能感兴趣，即关注样本PCA的总体对应物。如Nadler（2008）所写： 假设给定数据是来自（通常是未知的）分布的有限随机样本，那么一个有趣的理论和实践问题是，从有限数据计算出的样本PCA结果与基础总体模型的结果之间的关系。 参考文献： 纳兹勒，波阿斯。“用于主成分分析的有限样本近似结果：矩阵摄动法。” 统计年鉴（2008）：2791-2817。

23 time-series  pca  non-independent  iid 

我知道我们应该使用ARIMA对非平稳时间序列进行建模。另外，我读到的所有内容都说ARMA只应用于固定时间序列。 我想了解的是，在对模型进行错误分类并假设d = 0非平稳时间序列时，在实践中会发生什么？例如： controlData <- arima.sim(list(order = c(1,1,1), ar = .5, ma = .5), n = 44) 控制数据如下所示： [1] 0.0000000 0.1240838 -1.4544087 -3.1943094 -5.6205257 [6] -8.5636126 -10.1573548 -9.2822666 -10.0174493 -11.0105225 [11] -11.4726127 -13.8827001 -16.6040541 -19.1966633 -22.0543414 [16] -24.8542959 -25.2883155 -23.6519271 -21.8270981 -21.4351267 [21] -22.6155812 -21.9189036 -20.2064343 -18.2516852 -15.5822178 [26] …

23 r  time-series  arima  stationarity 

今天早上，我醒来想知道（这可能是由于昨晚我睡不着觉）：由于交叉验证似乎是正确的时间序列预测的基础，因此我应该“通常使用哪些模型交叉验证反对？ 我提出了一些（简单的）方法，但是我很快意识到，它们只是ARIMA模型的特例。所以我现在想知道，这是一个实际的问题，Box-Jenknins方法已经采用了哪些预测模型？ 让我这样说吧： 均值= ARIMA（0,0,0），常数 天真= ARIMA（0,1,0） 漂移= ARIMA（0,1,0）不变 简单指数平滑= ARIMA（0,1,1） Holt的指数平滑= ARIMA（0,2,2） 阻尼霍尔特= ARIMA（0,1,2） 加性Holt-Winters：SARIMA（0,1，m + 1）（0,1,0）m 还有什么可以添加到上一个列表中？有没有办法做移动平均或最小二乘回归的“ ARIMA方法”？另外，其他简单模型（例如ARIMA（0,0,1），ARIMA（1,0,0），ARIMA（1,1,1），ARIMA（1,0,1）等）如何转换？ 请注意，至少对于初学者而言，我对ARIMA模型无法执行的操作不感兴趣。现在，我只想专注于他们可以做什么。 我知道了解ARIMA模型中的每个“构造块”应该回答上述所有问题，但是由于某些原因，我很难弄清这一点。因此，我致力于尝试一种“逆向工程”方法。

23 time-series  cross-validation  arima 

在R中进行时间序列研究时，我发现arima 仅提供系数值及其拟合模型的标准误差。但是，我也想获得系数的p值。 我没有找到任何可提供coef意义的功能。 所以我希望自己计算，但是我不知道系数的t或chisq分布的自由度。所以我的问题是如何在R中获得拟合的Arima模型系数的p值？

23 r  time-series  chi-squared  arima  parametric 

在R中使用卡尔曼滤波器进行时间序列预测/平滑的人有没有很好的例子？

23 r  time-series  kalman-filter