TimeSeriesForecast

TimeSeriesForecast[tproc,data,k]

根据时间序列过程 tproc ，给出超出 data 的 k 步前向预测.

TimeSeriesForecast[tsmod,k]

给出 TimeSeriesModel tsmod 的 k 步前向预测.

更多信息和选项

  • TimeSeriesForecast[tproc,{x0,…,xm},k] 将给出 Expectation[x[m+k]x[0]x0∧…∧x[m]xm]，其中 xtproc，给定 data 的过程的期望值.
  • TimeSeriesForecast 允许 tproc 为一个时间序列过程，就如 ARProcess，ARMAProcess，SARIMAProcess 等.
  • data 可以是一个数值列表 {x1,x2,…}，一个时间-数值对的列表 {{t1,x1},{t2,x2},…}，或者 TemporalData.
  • 可以设定以下预测规范：
  • k前面第 k 步
    {kmax}前面 1, …, kmax 步
    {kmin,kmax}前面 kmin, …, kmax 步处
    {{k1,k2,…}}使用前面的显式 {k1,k2,…} 步
  • 如果 k 为整数，TimeSeriesForecast 将返回预测值，否则将返回 TemporalData.
  • k 的默认值为1.
  • TimeSeriesForecast 支持 Method 选项，另有下列设置：
  • Automatic自动确定方法
    "AR"使用高阶 AR 过程近似
    "Covariance"基于精确方差函数
    "Kalman"使用卡曼滤波器
  • 预测的均方差是合成操作误差，并且在 TemporalData 输出中以 MetaInformation 给出. 对于 forecast=TimeSeriesForecast[tproc,data,k]，均方差可以使用 forecast["MeanSquaredErrors"] 预测.

范例

打开所有单元关闭所有单元

基本范例  (3)

对一个 ARProcess 预测前面三步：

一个 ARMAProcess：

预测 TimeSeriesModel 的第七个值：

预测的均方差：

预测一个向量值的时间序列过程：

求前面 10 步的预测：

对数据和每个组件的预测绘图：

范围  (7)

步骤  (4)

预测前面一步：

预测前面的第三步：

找到前面直到第五步的预测：

显示路径：

找到前面第三到第五步范围内的预测：

显示路径：

预测一个步的列表：

路径：

均方差  (3)

预测前面一步：

以 TemporalData 的形式返回预测，提取均方差：

求有均方差的预测:

计算预测：

标准偏差：

定义误差带：

对数据及有平均误差带的预测进行绘图：

求有 95% 置信区间的预测：

求前面 10 步的预测：

找出均方差和置信区间：

绘制数据，预测以及预测限制范围：

选项  (4)

Method  (4)

使用基于协方差的方法求预测：

使用自回归方法求预测：

使用卡曼滤波方法，求预测：

比较对一个 MAProcess 的精确和近似方法：

两种方法对自回归过程是一致的：

应用  (3)

从 2012 年 5 月到 2012 年 9 月，欧元到美元的日汇率：

对汇率拟合 AR 过程：

预测未来 20 个工作日：

用原始数据绘图:

考虑您的地点附近 2012 年 9 月 9 日每小时温度数据：

数据中含有缺失数值：

用 MissingDataMethod 重新定义时间序列，以便利用插值补充缺失数据：

查看时间戳是否是均匀间隔的：

按小时重新抽样：

估计 ARProcess:

计算未来 12 小时的预测：

用原始数据绘图：

美国每月零售销售额：

用选中的数据生成 TimeSeries：

绘制销售额，并在十二月高峰值处画出网格线：

拟合一个季节性模型：

过程的参数：

求未来 7 年的预测：

计算预测的 95% 置信带：

有一个上带和一个下带：

在 95% 置信区域内绘制预测的图线：

属性和关系  (3)

使用精确或者近似方法在 ARProcess 下预测给出相同结果：

对于时间序列过程和它的可逆表示法，预测是相同的：

过程不是可逆的：

求可逆表示法：

比较预测：

用 TimeSeriesModel 来预测：

计算 20 步的预测：

明确使用过程和数据：

比较路径：

可能存在的问题  (2)

"Kalman" 方法要求过程参数是数值的：

如果可逆表示法不存在，预测可能是不可靠的：

Wolfram Research (2012)，TimeSeriesForecast，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeriesForecast.html （更新于 2014 年）.

文本

Wolfram Research (2012)，TimeSeriesForecast，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeriesForecast.html （更新于 2014 年）.

CMS

Wolfram 语言. 2012. "TimeSeriesForecast." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2014. https://reference.wolfram.com/language/ref/TimeSeriesForecast.html.

APA

Wolfram 语言. (2012). TimeSeriesForecast. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/TimeSeriesForecast.html 年

BibTeX

@misc{reference.wolfram_2024_timeseriesforecast, author="Wolfram Research", title="{TimeSeriesForecast}", year="2014", howpublished="\url{https://reference.wolfram.com/language/ref/TimeSeriesForecast.html}", note=[Accessed: 17-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_timeseriesforecast, organization={Wolfram Research}, title={TimeSeriesForecast}, year={2014}, url={https://reference.wolfram.com/language/ref/TimeSeriesForecast.html}, note=[Accessed: 17-November-2024 ]}