时间序列预测（最终使用Python实现）

Question

• 有哪些用于时间序列预测/回归的算法？
  • 使用神经网络如何？（关于这个话题的最佳文档是什么？）
  • 是否有可以帮助的Python库/代码片段？

- gpilotino

---

如果您能解释一下您的应用程序（您正在处理哪种时间序列），那将非常有帮助，因为最佳方法取决于具体情况。对于您的算法“存在性”问题，答案是“很多”。 - Pete

我正在处理金融数据（外汇时间序列）。 - gpilotino

我最喜欢的！最重要的是首先对你的时间序列进行随机性特征描述；如果你发现它是随机的，那么任何确定性方法只能靠运气。在市场上，你可能会发现一些非随机行为的阴影，但它们会消失和出现。因此，确定性方法的成功在很大程度上取决于你的适应能力。 - Pete

Answer 1

时间序列回归的经典方法包括：

• 自回归模型（有整个文献关于它们）

• 高斯过程

• 傅里叶分解或类似方法，以提取信号的周期性成分（即数据中隐藏的振荡）

我知道的其他不太常见的方法包括：

• 慢特征分析，一种算法，可以提取时间序列的驱动力，例如混沌信号背后的参数

• 神经网络（NN）方法，可以使用递归NN（即用于处理时间信号的NN）或经典前馈NN，其接收部分过去数据作为输入，并尝试预测未来的点；后者的优点是已知递归NN存在考虑远距离过去的问题

在我看来，对于金融数据分析来说，不仅需要获得时间序列的最佳猜测外推，还需要可靠的置信区间，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）可以免费提供这一点，因为它们返回可能未来值的概率分布。使用经典统计方法，您必须依赖自助法。

有许多Python库提供统计和机器学习工具，以下是我最熟悉的几个：

• NumPy和SciPy是Python科学编程必备的工具
• 有一个Python接口可以连接R，叫做RPy
• statsmodel包含经典的统计模型技术，包括自回归模型；它与Pandas这个流行的数据分析包很搭配
• scikits.learn、MDP、MLPy和Orange是机器学习算法的集合
• PyMC是一个Python模块，实现了贝叶斯统计模型和拟合算法，包括马尔可夫链蒙特卡罗方法
• PyBrain包含（除其他外）前馈和递归神经网络的实现
• 在Gaussian Process site上有一个高斯过程软件列表，其中包括两个Python实现
• mloss是一个开源机器学习软件目录

- pberkes

---

pandas 是一个更为活跃的项目：http://pandas.pydata.org/ - Taha Jahangir

是的，pandas 是一个很好的用于操作数据序列的项目，特别是在日期很重要的情况下。然而，据我所知，它除了基本的统计工具之外，并不包含许多用于预测和回归的算法。例如，请参见http://pandas.pydata.org/pandas-docs/dev/computation.html。 - pberkes

谢谢！我正在寻找如何构建一个通用的内部模型，用于在嘈杂环境中操作的传感器（例如IMU或声纳），这提供了很好的想法，除了传统的噪声建模。 - kert

Answer 2

我对Python的库一无所知，但R中有好的预测算法是开源的。请查看forecast包，其中包含时间序列预测的代码和参考资料。

- Rob Hyndman

Answer 3

两种方法

对于分类、回归、聚类、预测及相关任务，处理时间结构化输入有两种方法：

1. 专用时间序列模型：机器学习算法直接将这些时间序列纳入考虑。这样的模型就像一个黑匣子，很难解释模型的行为。例如，自回归模型。
2. 基于特征的方法：在此方法中，时间序列被映射到另一个可能更低维度的表示形式。这意味着特征提取算法会计算出时间序列的特征，如平均值或最大值等。然后将这些特征作为特征矩阵传递给“常规”的机器学习算法，例如神经网络、随机森林或支持向量机。这种方法具有更好的可解释性优势。此外，它使我们能够使用一种已经发展良好的监督机器学习理论。

tsfresh计算了大量的特征

Python软件包tsfresh 从包含时间序列的pandas.DataFrame中计算大量这样的特征。您可以在http://tsfresh.readthedocs.io上找到其文档。

声明：我是tsfresh的作者之一。

- MaxBenChrist

---

各位，如果我们有回归/多类标签，如何使用这个库？你的测试示例(https://github.com/blue-yonder/tsfresh/blob/master/notebooks/pipeline_example.ipynb)运行良好。然而，同样的示例但是有微小的更改将完全无法工作 - http://content.screencast.com/users/SASH2012/folders/Jing/media/3d5fb327-f5ed-4dba-9061-3093a492dd09/2016-12-23_1603.png请建议。 - SpanishBoy

您正在使用随机目标。对于随机目标，没有任何特征是相关的。因此算法将删除所有特征。 - MaxBenChrist

我会说一些功能具有非常小的统计测试价值，但完全不相关。我如何基于Boruta添加自定义feature_selector？ - SpanishBoy

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。对于随机目标，您可以想到的每个时间序列特征都是无用的。 - MaxBenChrist

Answer 4

仅就算法本身而言，我最近在一个项目中使用了双重指数平滑，当数据存在趋势时，该算法可以很好地预测新值。

实现方法非常简单，但也许对于你的情况来说，这个算法不够详细。

- GaretJax

Answer 5

你尝试过使用自相关来发现时间序列中的周期性模式吗？你可以使用numpy.correlate函数实现。

- Agnius Vasiliauskas

---

听起来很有趣，你有示例或链接带一些片段吗？ - gpilotino

我不知道这是否有帮助，但你可以尝试在这里检查- http://dr-adorio-adventures.blogspot.com/2010/04/computing-sample-partial.html。同时，还可以查看非常好的Python计算机代数系统SAGE- http://www.sagemath.org/doc/reference/sage/finance/time_series.html。 - Agnius Vasiliauskas

Answer 6

数据处理的群组方法被广泛应用于预测金融数据。

- Gleb Koshulko

Answer 7

如果您想使用Python了解时间序列预测，则下面的链接非常有帮助。

https://github.com/ManojKumarMaruthi/Time-Series-Forecasting

- Satya