时间序列分析【python代码实现】

news2024/11/28 15:40:38

时间序列分析是一种用于建模和分析时间上连续观测的统计方法。 它涉及研究数据在时间维度上的模式、趋势和周期性。常见的时间序列分析包括时间序列的平稳性检验、自相关性和部分自相关性分析、时间序列模型的建立和预测等。

下面是一个使用Python实现时间序列分析的示例：

# 导入所需的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

# 读取时间序列数据
data = pd.read_csv('time_series_data.csv', parse_dates=['date'], index_col='date')

# 绘制时间序列折线图
plt.figure(figsize=(10, 6))
plt.plot(data)
plt.xlabel('Date')
plt.ylabel('Value')
plt.title('Time Series Data')
plt.show()

# 检验时间序列的平稳性
result = sm.tsa.adfuller(data['value'])
print('ADF Statistic:', result[0])
print('p-value:', result[1])

# 分解时间序列
decomposition = sm.tsa.seasonal_decompose(data['value'], model='additive')
trend = decomposition.trend
seasonal = decomposition.seasonal
residual = decomposition.resid

# 绘制分解后的时间序列
plt.figure(figsize=(12, 8))
plt.subplot(411)
plt.plot(data, label='Original')
plt.legend(loc='best')
plt.subplot(412)
plt.plot(trend, label='Trend')
plt.legend(loc='best')
plt.subplot(413)
plt.plot(seasonal, label='Seasonality')
plt.legend(loc='best')
plt.subplot(414)
plt.plot(residual, label='Residuals')
plt.legend(loc='best')
plt.tight_layout()
plt.show()

# 计算自相关性和部分自相关性
sm.graphics.tsa.plot_acf(data['value'])
plt.show()

sm.graphics.tsa.plot_pacf(data['value'])
plt.show()

# 建立时间序列模型（ARIMA）
model = sm.tsa.ARIMA(data['value'], order=(1, 0, 1))
model_fit = model.fit(disp=0)

# 模型预测
forecast = model_fit.forecast(steps=10)[0]
print('Forecasted Values:', forecast)

在这个示例中，我们首先导入所需的库，然后使用pd.read_csv函数读取时间序列数据，其中日期列被解析为日期对象，并设置为索引列。接下来，我们使用plt.plot函数绘制了时间序列数据的折线图。

然后，我们使用sm.tsa.adfuller函数对时间序列数据进行平稳性检验。该函数返回ADF统计量和p值，用于判断时间序列数据的平稳性。

接下来，我们使用sm.tsa.seasonal_decompose函数对时间序列进行分解，得到趋势、季节性和残差。然后，使用plt.subplot和plt.plot函数绘制了分解后的时间序列图。

之后，我们使用sm.graphics.tsa.plot_acf和sm.graphics.tsa.plot_pacf函数计算并绘制了时间序列数据的自相关性和部分自相关性图。

最后，我们使用sm.tsa.ARIMA函数建立ARIMA模型，并使用fit方法拟合模型。然后，我们使用forecast方法对未来的10个时间步进行预测，并打印出预测值。

请注意，在运行代码之前需要安装statsmodels、pandas和matplotlib等库，并将时间序列数据保存为CSV文件（文件名为’time_series_data.csv’）。

一个使用更复杂的时间序列分析算法的例子是通过使用长短期记忆网络（Long Short-Term Memory, LSTM）进行时间序列预测。LSTM是一种适用于处理具有长期依赖关系的序列数据的深度学习模型。
下面是一个使用Python和Keras库实现LSTM进行时间序列预测的示例：

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 读取时间序列数据
data = pd.read_csv('time_series_data.csv', parse_dates=['date'], index_col='date')

# 将数据归一化到0-1的范围
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data)

# 划分训练集和测试集
train_size = int(len(scaled_data) * 0.8)
train_data = scaled_data[:train_size]
test_data = scaled_data[train_size:]

# 准备训练数据
def prepare_data(data, lookback):
    X, Y = [], []
    for i in range(len(data) - lookback - 1):
        X.append(data[i:(i + lookback), 0])
        Y.append(data[i + lookback, 0])
    return np.array(X), np.array(Y)

lookback = 10
train_X, train_Y = prepare_data(train_data, lookback)
test_X, test_Y = prepare_data(test_data, lookback)

# 转换数据为LSTM所需的输入格式 [样本数, 时间步长, 特征数]
train_X = np.reshape(train_X, (train_X.shape[0], train_X.shape[1], 1))
test_X = np.reshape(test_X, (test_X.shape[0], test_X.shape[1], 1))

# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(lookback, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(train_X, train_Y, epochs=100, batch_size=16, verbose=2)

# 在测试集上进行预测
test_predict = model.predict(test_X)

# 将预测数据进行逆归一化
test_predict = scaler.inverse_transform(test_predict)
test_Y = scaler.inverse_transform([test_Y])

# 绘制预测结果和实际值的对比图
plt.figure(figsize=(12, 6))
plt.plot(test_Y.flatten(), label='True')
plt.plot(test_predict.flatten(), label='Prediction')
plt.xlabel('Time')
plt.ylabel('Value')
plt.title('Time Series Prediction using LSTM')
plt.legend()
plt.show()