趋近智
在学习了如何加载、处理和可视化时间序列数据之后,我们现在将重点放在分析其内在结构并为建模做准备上。许多标准的时间序列模型都基于一个假设:序列的统计特性,例如其均值和方差,随时间保持不变。这种特性被称为平稳性。
通常,原始时间序列数据会表现出趋势或季节性模式,这意味着它不平稳。本章将介绍时间序列分解,这是一种将序列分离为趋势、季节性以及随机噪声等组成部分的方法(对于加法模型是,对于乘法模型是)。理解这些组成部分有助于获得见解并辅助模型选择。
我们将学习:
在本章结束时,您将能够分解时间序列,并判断它们是否符合许多预测模型所需的平稳性假设。
2.1 理解平稳性
2.2 时间序列分解方法
2.3 在 Python 中实现分解
2.4 平稳性检验:可视化检查
2.5 平稳性的统计检验 (ADF 检验)
2.6 实现平稳性:差分
2.7 动手练习:分解与平稳性检验
© 2026 ApX Machine Learning用心打造