时间序列的期刊有哪些

时间序列的期刊有:

1. "Journal of Time Series Analysis"
2. "Journal of Forecasting"
3. "Journal of the American Statistical Association: Theory and Methods"
4. "International Journal of Forecasting"
5. "Econometric Theory"
6. "Annals of Statistics"
7. "Journal of the Royal Statistical Society: Series B (Statistical Methodology)"
8. "Journal of Econometrics"
9. "Biometrika"
10. "Statistical Science"

相关问题

时间序列分析有哪些方法

本文引用的两篇文章中提到了以下时间序列分析方法：
1. 水文时间序列趋势分析方法：介绍了4种分析检验水文时间序列变化趋势的方法。
2. 时间序列规则法：将时间作为特征，将分类变量转化为哑变量，可用于预测。
3. 传统时序建模方法：如ARIMA/ARMA模型，可用于建立时间序列模型。
4. 时间序列分解法：将时间序列分解为趋势、季节性和随机性三个部分，可用于分析时间序列的变化趋势。
5. 特征工程：对时间序列进行处理，如时间戳处理、提取time-step features和lag features等，＊＊＊势和季节性。
7. 深度学习方法：如attention/CNN-DNN/RNN等，可用于建立时间序列模型。
8. 时间序列转为图像+CNN：将时间序列转化为图像，再使用CNN进行分类或预测。

时间序列预测有哪些模型

时间序列预测有许多模型，其中常见的模型包括：

1. 移动平均模型（MA）：移动平均模型是一种以时间序列的移动平均值作为预测值的模型，其特点是对异常值有较好的鲁棒性，但对于非平稳时间序列预测效果较差。

2. 自回归模型（AR）：自回归模型是一种以过去的观测值作为预测未来观测值的模型，其特点是对于趋势性较强的时间序列预测效果较好。

3. 自回归移动平均模型（ARMA）：自回归移动平均模型是自回归模型和移动平均模型的结合，对于既存在自相关性又存在移动平均性的时间序列预测效果较好。

4. 差分自回归移动平均模型（ARIMA）：差分自回归移动平均模型是ARMA模型在非平稳时间序列上的扩展，通过差分操作将非平稳时间序列转化为平稳时间序列，对于非平稳时间序列预测效果较好。

5. 季节性自回归移动平均模型（SARIMA）：季节性自回归移动平均模型是ARIMA模型在季节性时间序列上的扩展，对于季节性时间序列预测效果较好。

6. 季节性指数平滑模型（SES）：季节性指数平滑模型是一种利用加权指数平滑方法预测季节性时间序列的模型，对于季节性时间序列预测效果较好。

7. 神经网络模型（NN）：神经网络模型是一种基于人工神经网络的预测方法，对于非线性关系较强的时间序列预测效果较好。

需要注意的是，选择合适的时间序列预测模型需要根据具体问题的特点来进行，常见的模型选择方法包括观察数据的趋势和波动性、分析自相关性和偏自相关性、比较不同模型的AIC和BIC值、模型的稳定性等。