1. 时间序列模型家族概览
第一次接触时间序列预测时,我被各种AR、MA、ARMA之类的缩写搞得晕头转向。直到在电力负荷预测项目中踩了几个坑才明白,这些模型就像工具箱里的不同工具,各有各的专长。简单来说,时间序列模型就是用来处理按时间顺序排列的数据,比如股票价格、气温变化、工厂设备振动信号等。
最基础的AR(自回归)模型就像用昨天的天气预测今天,MA(移动平均)模型则像根据最近几天的温度变化趋势来预测。而ARMA模型把这两者结合起来,相当于既考虑历史绝对值,又关注近期变化趋势。我在分析某电商平台的日活用户数据时,就发现ARMA(2,1)模型对平稳数据的预测效果出奇地好。
但现实世界的数据往往不听话,比如销售数据常有明显的上升趋势,这时就需要ARIMA模型出场了。它通过差分运算(可以理解为计算相邻数据的差值)把非平稳数据变成平稳数据。记得有次预测季度销售额,原始数据的标准差高达47%,经过一阶差分后降到了12%,ARIMA模型立即就能派上用场了。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. ARMA模型深度解析
2.1 模型结构与数学本质
ARMA模型的核心公式看起来有点吓人:
python复制y_t = c + Σ(φ_i * y_{t-i}) + Σ(θ_j * ε_{t-j}) + ε_t
但其实拆开看很简单:第一部分是常数项,第二部分是自回归(AR)部分,表示当前值与过去p个值的关系,第三部分是移动平均(MA),表示当前误差与过去q个误差的关系。
我在风电功率预测项目中发现,AR部分好比记住过去几小时的风速变化规律,MA部分则像对预测误差进行"纠偏"。当p=2、q=1时,模型既能捕捉主要趋势,又不会过度拟合噪声。Matlab中实现特别简单:
matlab复制model = arima('ARLags',1:2,'MALags',1);
estimate(model, wind_data);
2.2 平稳性要求的实战意义
很多教程说ARMA必须用于平稳数据,但实际操作中我发现弱平稳(均值、方差基本稳定)就够用了。测试方法也很直观:
- 画出数据曲线看是否围绕某个值波动
- 用ADF检验(Matlab的adftest函数)
- 观察自相关图是否快速衰减
有个实用技巧:当数据波动幅度随时间增大时,可以先取对数再建模。我在处理某
