六种统计时序预测模型详解与代码示例

本篇文档是关于一个包含六种模型的时序预测包的详细说明，主要关注于统计类模型的实现和使用。文件名为"statistic_model.train_model.py"，其中的核心功能是`stats_call`函数，该函数负责调用不同类型的统计类时序预测模型进行分析和预测。 1. **统计类模型种类**: - 多维时序模型： - **LinearRegression**：多元线性回归，适用于预测多个相关的时间序列数据。 - **VAR** (向量自回归模型)：用于处理多个变量之间的动态关系，适用于多序列预测。 - **VAR-ARIMA**：结合了VAR和ARIMA模型，适用于具有趋势和季节性特征的多序列预测。 - 一维时序模型： - **SES (Single Exponential Smoothing)**：简单指数平滑，适用于单个时间序列的预测，特别适合数据变化平缓的情况。 - **LES (Linear Trend Exponential Smoothing)** 或 **二次指数平滑**：在SES的基础上加入了线性趋势，适合处理带有趋势的数据。 - **TES (Holt-Winters' Seasonal Exponential Smoothing)** 或 **三次指数平滑**：适用于季节性数据，且季节内数据变化较小的情况，考虑了季节性因素。 2. **函数调用与参数**: - `stats_call`函数接受多个关键参数： - `data`：输入的DataFrame数据，每一列代表一个可能的时间序列。 - `maindatacolumn_num`：主预测列的列号，从1开始计数。 - `timeseries`：时间日期序列，格式为pandas的Series类型。 - `model_name`：用户可以选择的模型，如'SES', 'LES', 'LinearRegression', 'VAR', 'VAR-ARIMA'等。 - `pred_len`：预测每个点所需的过去历史点数。 - `test_ratio`：划分训练集和测试集的比例。 - `freq`：日期频率，如'D'表示每天。 - `output_len`：预测的步数。 - `supara`：特定模型的超参数，如在SES中，初始平滑系数alpha需在[0,1]范围内指定；而在LES中，初始参数可能包括alpha和beta，不指定时会自动计算最优参数。 3. **参数设置示例**： - 对于`LinearRegression`和`VAR`/`VAR-ARIMA`这类多序列模型，`supara`默认为None，意味着模型会自行估计参数。 - 对于`SES`，如果指定了`supara`，例如`supara=0.5`，则使用这个初始平滑系数。 - 对于`LES`，需要提供初始的alpha和beta值，例如`supara=[0.6, 0.2]`。 4. **注意事项**： - 在使用函数时，确保数据格式正确，模型名称选择对应实际需求。 - 超参数的处理依赖于具体模型，根据文档说明进行合理设置或自动优化。 通过本文档，用户可以了解如何使用这些统计类时序预测模型来处理和预测数据，以及如何根据具体场景调整参数以优化预测性能。对于数据分析人员来说，这是一份实用的工具和指南。