StatsForecast时间序列预测模型全解析

概述

StatsForecast是一个强大的时间序列预测库，提供了多种经典和现代的预测模型。本文将全面介绍StatsForecast中包含的各类模型，帮助读者了解不同模型的适用场景和功能特点。

自动预测模型

自动预测模型能够自动搜索最佳参数并为时间序列选择最优模型，特别适合处理大量单变量时间序列。

• AutoARIMA：自动ARIMA模型，支持点预测、概率预测和样本内拟合值
• AutoETS：自动指数平滑模型，功能全面
• AutoCES：自动复杂指数平滑模型
• AutoTheta：自动Theta模型

这些模型都支持点预测和概率预测，并能提供样本内拟合值，是处理大规模时间序列的理想选择。

ARIMA家族

ARIMA模型利用时间序列中存在的自相关性进行预测。

• ARIMA：经典ARIMA模型
• AutoRegressive：自回归模型

两者都支持完整的预测功能，包括概率预测和样本内拟合。

Theta家族

Theta模型通过拟合两条theta线到去季节化的时间序列，使用不同技术获取并组合这两条线来产生最终预测。

• Theta：基础Theta模型
• OptimizedTheta：优化版Theta
• DynamicTheta：动态Theta
• DynamicOptimizedTheta：动态优化Theta

Theta家族模型在多种时间序列预测任务中表现优异，特别是优化版本能提供更好的预测精度。

多重季节性模型

适用于具有多个明显季节性的信号，特别适合低频数据如电力和日志数据。

• MSTL：多重季节性分解模型

GARCH和ARCH模型

专门用于建模随时间变化表现出非恒定波动性的时间序列。

• GARCH：广义自回归条件异方差模型
• ARCH：自回归条件异方差模型

这些模型在金融时间序列预测中特别有用。

基线模型

用于建立预测基准的经典模型。

• HistoricAverage：历史平均值
• Naive：朴素预测
• RandomWalkWithDrift：带漂移的随机游走
• SeasonalNaive：季节性朴素预测
• WindowAverage：窗口平均
• SeasonalWindowAverage：季节性窗口平均

基线模型虽然简单，但在很多情况下能提供不错的基准表现。

指数平滑模型

使用所有过去观测值的加权平均，其中权重随时间呈指数递减。适合具有明显趋势和/或季节性的数据。

• SimpleExponentialSmoothing：简单指数平滑
• SimpleExponentialSmoothingOptimized：优化版简单指数平滑
• SeasonalExponentialSmoothing：季节性指数平滑
• SeasonalExponentialSmoothingOptimized：优化版季节性指数平滑
• Holt：Holt线性趋势模型
• HoltWinters：Holt-Winters季节性模型

Holt和HoltWinters模型功能全面，支持概率预测和样本内拟合。

稀疏或间歇性模型

适用于非零观测值非常少的序列。

• ADIDA
• CrostonClassic
• CrostonOptimized
• CrostonSBA
• IMAPA
• TSB

这些模型专门针对间歇性需求预测场景设计，在库存管理和供应链预测中特别有用。

总结

StatsForecast提供了丰富的时间序列预测模型，覆盖了从简单基线到复杂自动模型的广泛选择。了解这些模型的特点和适用场景，可以帮助数据科学家和分析师根据具体问题选择合适的预测工具。无论是处理高频金融数据、具有多重季节性的业务指标，还是稀疏的间歇性需求，StatsForecast都能提供相应的解决方案。