时间序列

1. 时间序列

亲，时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同，时间序列中的时间可以是年份、季度、月份或其他任何时间形式。[1]中文名时间序列外文名time series类型序列构成要素现象所属的时间等要素一时间【摘要】
时间序列【提问】
亲，时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。经济数据中大多数以时间序列的形式给出。根据观察时间的不同，时间序列中的时间可以是年份、季度、月份或其他任何时间形式。[1]
中文名
时间序列
外文名
time series
类型
序列
构成要素
现象所属的时间等
要素一
时间【回答】
【提问】
【提问】
这段怎么看出来p和q呢【提问】
好的【回答】

2. 时间序列的介绍

时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。

3. 时间序列的时间序列

构成要素：长期趋势，季节变动，循环变动，不规则变动长期趋势（ T ）现象在较长时期内受某种根本性因素作用而形成的总的变动趋势季节变动（ S ）现象在一年内随着季节的变化而发生的有规律的周期性变动循环变动（ C ）现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动不规则变动（I ）是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型例如下表中年份是

4. 什么是时间序列

在统计学中作为一种常用的预测手段被广泛应用。时间序列通常有以下三种方法：
1.方法一是把一个时间序列的数值变动，分解为几个组成部分，通常分为：
(1)倾向变动，亦称长期趋势变动T；
(2)循环变动，亦称周期变动C；
(3)季节变动，即每年有规则地反复进行变动S；
(4)不规则变动，亦称随机变动I等。然后再把这四个组成部分综合在一起，得出预测结果。
2.方法二是把预测对象、预测目标和对预测的影响因素都看成为具有时序的，为时间的函数，而时间序列法就是研究预测对象自身变化过程及发展趋势。
3.方法三是根据预测对象与影响因素之间的因果关系及其影响程度来推算未来。与目标的相关因素很多，只能选择那些因果关系较强的为预测影响的因素。
时间序列分析在第二次世界大战前应用于经济预测。

5. 什么是时间序列

在统计学中作为一种常用的预测手段被广泛应用.时间序列通常有以下三种方法：
  1.方法一是把一个时间序列的数值变动,分解为几个组成部分,通常分为：
  (1)倾向变动,亦称长期趋势变动T；
  (2)循环变动,亦称周期变动C；
  (3)季节变动,即每年有规则地反复进行变动S；
  (4)不规则变动,亦称随机变动I等.然后再把这四个组成部分综合在一起,得出预测结果.
  2.方法二是把预测对象、预测目标和对预测的影响因素都看成为具有时序的,为时间的函数,而时间序列法就是研究预测对象自身变化过程及发展趋势.
  3.方法三是根据预测对象与影响因素之间的因果关系及其影响程度来推算未来.与目标的相关因素很多,只能选择那些因果关系较强的为预测影响的因素.
  时间序列分析在第二次世界大战前应用于经济预测.

6. 时间序列入门

  时间序列 （英语：time series）是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理
   时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。   (1)趋势性：某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。   (2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。   (3)随机性：个别为随机变动,整体呈统计规律。   (4)综合性：实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动,突出反映趋势性和周期性变动。
   通常，时间序列预测描述了预测下一个时间步长的观测值。这被称为“一步预测”，因为仅要预测一个时间步。在一些时间序列问题中，必须预测多个时间步长。与单步预测相比，这些称为多步时间序列预测问题。比如给定历史7天内的天气温度，单步预测就是预测第8天的温度，预测后续三天的气温就是多步预测。
   (1) 直接多步预测   (2) 递归多步预测   (3) 直接+递归的混合策略   (4) 第五种策略：seq2seq结构

7. 时间序列数据处理基础

时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种 定量预测 方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。 时间序列分析 在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、 空间科学 、气象预报和工业自动化等部门的应用更加广泛。 时间序列分析 (Time series analysis)是一种动态数据处理的 统计方法 。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的 统计规律 ，以用于解决实际问题。- 360百科
  
 随着移动互联和物联网等的发展，现在很多领域也都会有时间序列数据需要进行处理，除了金融、农业、经济学、生态学、物理学等，还有现在很多地方常见的数据形式，数据点是根据某种规律定期出现（比如每15秒，每5分钟、每月出现一次）。
  
 构成要素:长期趋势，季节变动，循环变动，不规则变动
  
 长期趋势( T )现象在较长时期内受某种根本性因素作用而形成的总的变动趋势，例如股票的价格有的会看几年内的发展，需要考虑整体大的经济环境，行业，已经公司等的发展。
  
 季节变动( S )现象在一年内随着季节的变化而发生的有规律的周期性变动，比如股票会受短期的疫情，天气，人员行业变动等等内外部因素影响，在某些时段出现波动。
  
 循环变动( C )现象以若干年为周期所呈现出的波浪起伏形态的有规律的变动，比如岁冷热季节涨跌的变化，旅游的热季淡季等。
  
 不规则变动(I )是一种无规律可循的变动，包括严格的随机变动和不规则的突发性影响很大的变动两种类型
                                          
 根据不同使用场景，一般分为几种
  
 datetime.datetime(2020, 4, 28, 9, 45, 2, 474920)
  
 看当前时间的各个值
  
 2020 4 28 9 45 2
  
 时间类型可以直接相减，得到间隔
  
 结果是间隔类型
   datetime.timedelta(days=218, seconds=53100)
  
 218
  
 同样的，可以给 datetime 对象加上（或减去）一个或多个 timedelta，这样会产生一个新对象：
  
 datetime.datetime(2014, 6, 17, 0, 0)
  
 datetime 模块中的数据类型：
  
 '2015-09-09 00-00-00'
  
 '2015-09-09'
  
 datetime.datetime(2015, 9, 9, 0, 0)
  
 [datetime.datetime(2015, 7, 6, 0, 0), datetime.datetime(2015, 6, 2, 0, 0)]
  
 datetime.strptime 是通过已知格式进行日期解析的最佳方式。但是每次都要编写格式定义是很麻烦的事情，尤其是对于一些常见的日期格式。这种情况下，你可以用 deteutil 这个第三方包中的 parser.parse 方法：
  
 datetime.datetime(2015, 8, 9, 0, 0)
  
 dateutil 可以解析几乎所有人类能够理解的日期表示形式]: i  ,不过可惜中文不行
  
 datetime.datetime(1993, 1, 31, 22, 10)
  
 国际通用的格式中，日通常出现在月的前面
  
 传入 dayfirst=True 即可解决这个问题
  
 datetime.datetime(1993, 1, 31, 22, 10)
   pandas 通常是用于处理成组日期的，不管这些日期是 DataFrame 的轴索引还是列。to_datetime 方法可以解析多种不同的日期表示形式。对标准日期格式（如 ISO8601）的解析非常快
  
 它还可以处理缺失值（None、空字符串等）
   NaT(Not a Time) 是 pandas 中的时间戳数据的 NA 值
  
 datetime 格式定义：
  
 有了时间数据对象基础，一系列的时间和指标就可以组成时间序列，可以用series对象存储处理，日期可以变成索引列
  
 这些 datetime 对象实际是被放在一个 DatetimeIndex 中
  
 现在 ts 就变成为一个 TimeSeries 了
  
 不同索引的时间序列之间的算术运算会自动按日期对齐
  
 只要需要，TimeStamp 可以随时自动转换为 datatime 对象。此外，它还可以存储频率信息（如果有的话），且知道如何执行时区转换以及其他操作。
  
 由于 TimeSeries 是 Series 的一个子类，所以在索引以及数据选取方面他们的行为是一样的
  
 由于大部分时间序列数据都是按照时间先后排序的
   因此我们可以用不存在于时间序列中的时间戳进行切片
  
 跟之前一样，这里可以传入字符串日期、datetime 或 Timestamp。此外还有一个等价的实例方法也可以截取两个日期之间的 TimeSeries：
  
 在某些应用场景中，可能会存在多个观测数据落在同一个时间点上的情况
  
 通过检查索引的 is_unique 属性，我们可以知道它是不是唯一的
  
 对这个时间序列进行索引，要么产生标量值，要么产生切片
  
 具体要看所选的时间点是否重复
  
 假设我们想要对具体非唯一时间戳的数据进行聚合。一个办法是使用 groupby，并传入 level=0（索引的唯一一层）：

8. 时间序列法的介绍

利用按时间顺序排列的数据预测未来的方法，是一种常用的预测方法。事物的发展变化趋势会延续到未来，反映在随机过程理论中就是时间序列的平稳性或准平稳性。准平稳性是指时间序列经过某种数据处理（如一次或多次差分运算）后变为平稳的性质。