时间序列分析(Time-SeriesAnalysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素,然后综合这些因素,提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测,提取图像有关特征,并分析其变化过程与发展规模。当然,首先需要根据检测对象的时相变化特点来确定遥感监测的周期,从而选择合适的遥感数据。
特点:简单易行,便于掌握,但准确性差,一般只适用于短期预测。
基本原理:一是承认事物发展的延续性。应用过去数据,就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响,为此要利用统计分析中加权平均法对历史数据进行处理。
(资料图)
主要用途
时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场浅量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。主要包括从以下几个方面入手进行研究分析。
系统描述:根据对系统进行观测得到的时间序列数据,用曲线拟合方法对系统进行客观的描述。
系统分析:当观测值取自两个以上变量时,可用一个时间序列中的变化去说明另一个时间序列中的变化,从而深入了解给定时间序列产生的机理。
预测未来:一般用ARMA模型拟合时间序列,预测该时间序列未来值。
决策与控制:根据时间序列模型可调整输入变量使系统发展过程保持在目标值上,即预测到过程要偏离目标时便可进行必要的控制
时间序列依据其特征,有以下几种表现形式,并产生与之相适应的分析方法:
长期趋势变化:受某种基本因素的影响,数据依时间变化时表现为一种确定倾向,它按某种规则稳步地增长或下降。使用的分析方法有:移动平均法、指数平滑法、模型拟和法等。
季节性周期变化:受季节更替等因素影响,序列依一固定周期规则性的变化,又称商业循环。采用的方法:季节指数。
循环变化:周期不固定的波动变化。
随机性变化:由许多不确定因素引起的序列变化。
时间序列分析主要有确定性变化分析和随机性变化分析。其中,确定性变化分析包括趋势变化分析、周期变化分析、循环变化分析。随机性变化分析:有AR、MA、ARMA模型等
想学人工智能当工程师的朋友们~✔
整理了有关人工智能的资料,深度学习神经网络+CV计算机视觉学习(两大框架pytorch/tensorflow+源码课件笔记)+NLP+机器学习+数学基础等资料,零基础小白想学习人工智能或者转行到高薪资行业的,大学生都非常实用,无任何套路 free提供,具体如下图
论文代码+100G资源包+AI公开课+专家一对一论文/简历/就业/竞赛指导+大牛技术问题答疑
关注【公众H:咕泡AI 回复211】
适用人群
①准备毕业论文的学生 ②准备跳槽,正在找工作的AI算法工程师等 ③自学和准备转行到AI领域的人 ④想巩固AI核心知识,查漏补缺的人
标签:
-
1金山毒霸错误使用邱少云照片向广大网友致歉!
-
2摩迅科技:“VR云看展”是如何为展会数字化赋能的?
-
3浙江富阳大源镇举办“婆媳同心”主题笔会雅集活动
-
4“浩界(NovoVerse)” 产业元宇宙平台发布-联想新视界助力实体经济创新发展
-
5礼遇爆棚!价值拉满!全新一代瑞虎7 PLUS实乃A级SUV市场的一股清流
-
6小鹏汽车发布Q1财报:营收40.3亿元,现金储备超340亿
-
7一加618掀起旗舰普及风暴 一加 Ace 2V 1TB版本限时优惠价 2799 元
-
8海杰亚医疗入驻北京卫星制造厂科技园:尖兵奋楫新征程,风劲扬帆再出发!
-
9高通宣布新一轮100亿美元股票回购计划 没有设定截止日期
-
10英伟达收购ARM终止 欧盟反垄断监管机构展开全面调查