文章目录前言1. 自回归移动平均模型ARMA原理核心公式优缺点适用场景核心案例代码2. 自回归积分滑动平均模型ARIMA原理核心公式优缺点适用场景核心案例代码3. 季节性自回归积分滑动平均模型SARIMA原理核心公式优缺点适用场景核心案例代码4. 向量自回归模型VAR原理核心公式优缺点适用场景核心案例代码5. 广义自回归条件异方差模型GARCH原理核心公式优缺点适用场景核心案例代码6. Prophet原理核心公式优缺点适用场景核心案例代码7. 长短期记忆网络LSTM原理核心公式优缺点适用场景核心案例代码8. 门控循环单元GRU原理核心公式优缺点适用场景核心案例代码9. 贝叶斯结构时间序列模型BSTS原理核心公式优缺点适用场景核心案例代码10. 序列到序列模型Seq2Seq原理核心公式优缺点适用场景核心案例代码零基础入门AI大模型1.学习路线图2.视频教程3.技术文档和电子书4.LLM面试题和面经合集5.免费获取前言时间序列预测模型非常非常的重要可以帮助企业和组织优化决策和资源配置。通过分析历史数据这些模型揭示了潜在的模式和季节性变化从而提供了数据驱动的预测。有效的时间序列预测还能够提高供应链管理、市场策略和风险控制的精确性。为此咱们今儿和大家聊的十种最常见的时间序列模型有自回归移动平均模型ARMA自回归积分滑动平均模型ARIMA季节性自回归积分滑动平均模型SARIMA向量自回归模型VAR广义自回归条件异方差模型GARCHProphet长短期记忆网络LSTM门控循环单元GRU贝叶斯结构时间序列模型BSTS序列到序列模型Seq2Seq咱们下面详细的聊聊这些方法大家一定会有一个完整的认识。1. 自回归移动平均模型ARMA原理ARMA 模型是时间序列分析中的经典模型结合了自回归 (AR) 和移动平均 (MA) 模型。AR 部分表示时间序列当前值与其过去几个时刻值的线性关系而 MA 部分表示时间序列当前值与过去几个时刻的误差项的线性组合。自回归 (AR) 模型 当前时刻的值是前几时刻值的线性组合。移动平均 (MA) 模型 当前时刻的值是前几时刻的预测误差的线性组合。核心公式ARMA 模型结合了 AR 和 MA 模型假设时间序列数据为 时间序列的当前值AR 部分的滞后阶数MA 部分的滞后阶数AR 模型中的系数MA 模型中的系数误差项通常假设为白噪声推导对于 AR§ 模型对于 MA(q) 模型将两者结合得到 ARMA(p,q) 模型。优缺点优点适用于短期预测。模型相对简单易于理解和实现。对平稳时间序列建模效果较好。缺点需要序列是平稳的不适用于非平稳时间序列。难以捕捉序列中的季节性和趋势性变化。适用场景ARMA 模型通常用于平稳时间序列的建模和预测如股票价格、经济指标、气象数据的短期预测等。核心案例代码我们使用 ARMA 模型预测股票市场数据。import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA # 生成示例数据股票价格的时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.cumsum(np.random.randn(100)) 100 # 随机漫步序列 # 创建DataFrame df pd.DataFrame(data, indexdates, columns[Stock Price]) # 拟合ARMA模型 (p2, q2) model ARIMA(df[Stock Price], order(2, 0, 2)) arma_result model.fit() # 预测未来20个时间点 forecast arma_result.get_forecast(steps20) forecast_index pd.date_range(df.index[-1], periods21, freqD)[1:] forecast_values forecast.predicted_mean # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Stock Price], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colorred, linestyle--) plt.fill_between(forecast_index, forecast.conf_int().iloc[:, 0], forecast.conf_int().iloc[:, 1], colorpink, alpha0.3) plt.title(ARMA Model Forecast of Stock Price) plt.xlabel(Date) plt.ylabel(Stock Price) plt.legend() plt.grid(True) plt.show()整个代码生成一个随机漫步的股票价格序列使用 ARMA 模型进行拟合并预测未来 20 天的股票价格。图中展示了实际的时间序列数据蓝色以及预测的未来值红色虚线同时预测区间的置信区间以粉色阴影表示。2. 自回归积分滑动平均模型ARIMA原理ARIMA 模型是 ARMA 模型的扩展适用于非平稳时间序列。ARIMA 模型通过差分操作使非平稳时间序列转化为平稳时间序列再对平稳时间序列进行 ARMA 模型拟合。ARIMA 模型的三个主要参数分别是p自回归项数ARd差分次数Iq移动平均项数MA其中差分次数 是用来消除时间序列中的趋势成分使其成为平稳序列。核心公式ARIMA 模型由三个部分组成自回归 (AR)、差分 (I)、移动平均 (MA)。假设时间序列为 经过 次差分后的序列为 则 ARIMA 模型可以表示为其中$ y’t y_t - y{t-1} $ 是经过一次差分后的序列。、、 是模型的三个参数。推导差分操作对原始时间序列 进行 次差分操作得到平稳序列 多次差分的情况为其中 是滞后算子。应用 ARMA 模型对差分后的序列应用 ARMA 模型。优缺点优点适用于处理具有趋势性或非平稳性的时间序列。对多种类型的时间序列都具有较强的适用性。缺点模型的选择尤其是差分次数 比较复杂可能需要多次试验。对于存在季节性成分的时间序列ARIMA 可能不足以捕捉其特征。适用场景ARIMA 模型广泛用于经济、金融等领域的时间序列预测如 GDP、通货膨胀率、失业率、股票价格等。特别适合处理有趋势但无明显季节性的时间序列。核心案例代码我们将使用 ARIMA 模型预测一个包含趋势的时间序列数据。import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA # 生成示例数据带有趋势的时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods200) trend np.linspace(10, 30, 200) # 线性趋势 data trend np.random.randn(200) * 2 # 叠加噪声 # 创建DataFrame df pd.DataFrame(data, indexdates, columns[Value]) # 拟合ARIMA模型 (p2, d1, q2) model ARIMA(df[Value], order(2, 1, 2)) arima_result model.fit() # 预测未来30个时间点 forecast arima_result.get_forecast(steps30) forecast_index pd.date_range(df.index[-1], periods31, freqD)[1:] forecast_values forecast.predicted_mean # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Value], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colorgreen, linestyle--) plt.fill_between(forecast_index, forecast.conf_int().iloc[:, 0], forecast.conf_int().iloc[:, 1], colorlightgreen, alpha0.3) plt.title(ARIMA Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()使用 ARIMA 模型进行拟合和预测。预测结果用绿色虚线表示预测的置信区间用浅绿色阴影表示。图中展示了过去的观测值蓝色和未来 30 天的预测值展示了 ARIMA 模型对趋势的预测能力。3. 季节性自回归积分滑动平均模型SARIMA原理SARIMA 模型是 ARIMA 模型的扩展用于处理具有季节性成分的时间序列。SARIMA 模型引入了季节性成分通过增加季节性自回归SAR、季节性差分I和季节性移动平均SMA项来建模。核心公式SARIMA 模型的公式如下其中和 分别是季节性自回归和季节性移动平均项的阶数。是季节性周期例如12 个月为一年。和 是季节性自回归和季节性移动平均项的系数。推导季节性差分季节性 ARMA 模型将季节性 AR 和 MA 组件加入 ARMA 模型。优缺点优点适用于处理具有明显季节性成分的时间序列。可以同时建模季节性和非季节性成分。缺点模型复杂度高参数较多调整较为困难。需要确定季节性周期。适用场景SARIMA 模型适用于具有季节性波动的时间序列数据如月度销售数据、季节性气象数据等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.statespace.sarimax import SARIMAX # 生成示例数据季节性时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods120, freqM) seasonal_component 10 10 * np.sin(np.linspace(0, 3 * np.pi, 120)) data seasonal_component np.random.randn(120) * 2 # 叠加噪声 # 创建DataFrame df pd.DataFrame(data, indexdates, columns[Value]) # 拟合SARIMA模型 (p1, d1, q1, P1, D1, Q1, s12) model SARIMAX(df[Value], order(1, 1, 1), seasonal_order(1, 1, 1, 12)) sarima_result model.fit() # 预测未来12个月 forecast sarima_result.get_forecast(steps12) forecast_index pd.date_range(df.index[-1] pd.DateOffset(months1), periods12, freqM) forecast_values forecast.predicted_mean # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Value], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colororange, linestyle--) plt.fill_between(forecast_index, forecast.conf_int().iloc[:, 0], forecast.conf_int().iloc[:, 1], color#FFA07A, alpha0.3) # 使用有效的颜色代码 plt.title(SARIMA Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了一个具有季节性波动的时间序列数据蓝色和未来 12 个月的预测值橙色虚线。预测区间的置信区间用浅橙色阴影表示。SARIMA 模型能够有效捕捉时间序列中的季节性模式。4. 向量自回归模型VAR原理VAR 模型用于建模多个时间序列变量之间的相互依赖关系。与 ARMA 模型只对单一时间序列进行建模不同VAR 模型能够处理多变量时间序列捕捉它们之间的动态关系。核心公式假设我们有 个时间序列变量 VAR§ 模型可以表示为其中是 -dim的向量表示时间点 的观测值。是 的系数矩阵。是误差项通常假设为白噪声。推导VAR§ 模型对于每个时间序列变量 其值由前 个时刻的所有变量的线性组合决定。模型拟合使用最小二乘法估计参数矩阵 。优缺点优点能够处理多个时间序列变量适合多变量时间序列数据的分析。能捕捉变量之间的动态相互关系。缺点模型复杂度高参数量大尤其是当变量数目和滞后阶数都很大时。对数据的要求较高尤其是数据量需要足够大以保证模型稳定性。适用场景VAR 模型适用于多个经济、金融或社会时间序列变量的建模与预测如宏观经济指标GDP、通货膨胀率、失业率之间的关系分析。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.api import VAR # 生成示例数据多变量时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data1 np.cumsum(np.random.randn(100)) 50 data2 np.cumsum(np.random.randn(100)) 30 data pd.DataFrame({Variable1: data1, Variable2: data2}, indexdates) # 拟合VAR模型 (p2) model VAR(data) var_result model.fit(2) # 预测未来10个时间点 forecast var_result.forecast(data.values[-2:], steps10) forecast_index pd.date_range(dates[-1] pd.DateOffset(days1), periods10) forecast_df pd.DataFrame(forecast, indexforecast_index, columnsdata.columns) # 可视化 plt.figure(figsize(14, 7)) plt.plot(data.index, data[Variable1], labelVariable1 (Observed), colorblue) plt.plot(data.index, data[Variable2], labelVariable2 (Observed), colorgreen) plt.plot(forecast_df.index, forecast_df[Variable1], labelVariable1 (Forecast), colororange, linestyle--) plt.plot(forecast_df.index, forecast_df[Variable2], labelVariable2 (Forecast), colorred, linestyle--) plt.title(VAR Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了两个时间序列变量的观测数据蓝色和绿色以及未来 10 天的预测值橙色和红色虚线。VAR 模型能有效捕捉两个变量之间的动态关系。5. 广义自回归条件异方差模型GARCH原理GARCH 模型用于建模时间序列数据的条件异方差性特别是金融时间序列数据的波动性。GARCH 模型扩展了 ARCH 模型通过引入过去的方差来解释当前的方差。核心公式GARCH(p, q) 模型的核心公式为其中是残差项。是条件方差。是常数项。和 是模型参数。推导ARCH 模型GARCH 模型将过去的方差 引入模型。优缺点优点适用于建模时间序列的波动性特别是金融数据中的波动性聚集效应。能够描述时间序列数据中的异方差特性。缺点对参数估计要求较高模型复杂度较大。对数据量要求较高。适用场景GARCH 模型广泛用于金融时间序列数据如股票收益率、汇率等用于建模和预测波动性。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from arch import arch_model # 生成示例数据金融时间序列收益率 np.random.seed(42) dates pd.date_range(2024-01-01, periods250) returns np.random.randn(250) * 0.02 # 生成随机收益率数据 # 创建DataFrame df pd.DataFrame(returns, indexdates, columns[Returns]) # 拟合GARCH模型 (p1, q1) model arch_model(df[Returns], volGarch, p1, q1) garch_result model.fit() # 预测未来10个时间点的波动性 forecast garch_result.forecast(horizon10) forecast_index pd.date_range(dates[-1] pd.DateOffset(days1), periods10) forecast_volatility forecast.variance.values[-1, :] # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Returns]**2, labelObserved Variance, colorblue) plt.plot(forecast_index, forecast_volatility, labelForecasted Volatility, colorred, linestyle--) plt.title(GARCH Model Forecast) plt.xlabel(Date) plt.ylabel(Variance) plt.legend() plt.grid(True) plt.show()图中展示了实际的方差蓝色和未来 10 天的预测波动性红色虚线。GARCH 模型能有效捕捉时间序列中的波动性特征。6. Prophet原理Prophet 是由 Facebook 开发的时间序列预测模型专为处理具有强季节性、趋势变化以及缺失值和异常值的时间序列数据设计。它的核心思想是将时间序列数据分解为趋势、季节性和假期效应三个部分。核心公式Prophet 模型的公式如下其中是趋势组件线性或逻辑斯蒂增长。是季节性组件。是假期效应。是误差项。推导趋势线性趋势逻辑斯蒂增长季节性其中 是季节周期 是季节性频率的数量。 3.假期效应添加假期的特殊效应。优缺点优点适用于具有季节性和趋势变化的时间序列。对缺失值和异常值具有较强的鲁棒性。模型易于使用适合非专业用户。缺点对于数据量很大的情况计算可能会变得比较慢。对非平稳数据的处理较为简单可能不足以处理复杂的非平稳特征。适用场景Prophet 模型适用于各种具有强季节性和趋势性的数据例如零售销售、网站流量、生产量等。核心案例代码import pandas as pd import numpy as np import matplotlib.pyplot as plt from prophet import Prophet # 使用 prophet 替代 fbprophet # 生成示例数据带有季节性和趋势的时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods365) data np.linspace(10, 50, 365) 10 * np.sin(np.linspace(0, 2 * np.pi, 365)) np.random.randn(365) * 5 # 创建DataFrame df pd.DataFrame({ds: dates, y: data}) # 拟合Prophet模型 model Prophet(yearly_seasonalityTrue) model.fit(df) # 预测未来30天 future model.make_future_dataframe(periods30) forecast model.predict(future) # 可视化 fig model.plot(forecast) plt.title(Prophet Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.show()图中展示了时间序列数据黑色点及其预测结果蓝色线。Prophet 模型能有效捕捉时间序列中的趋势和季节性成分并进行未来的预测。7. 长短期记忆网络LSTM原理LSTM 是一种特殊类型的循环神经网络RNN用于捕捉时间序列数据中的长期依赖关系。LSTM 网络通过引入门控机制输入门、遗忘门和输出门来解决标准 RNN 中的梯度消失和爆炸问题。核心公式LSTM 网络的核心公式如下输入门遗忘门候选记忆记忆单元更新输出门隐藏状态其中是输入。是隐藏状态。是记忆单元状态。优缺点优点能够捕捉长期依赖关系适用于长序列数据。处理梯度消失和爆炸问题。缺点训练过程计算复杂时间较长。对参数的调整比较敏感。适用场景LSTM 模型适用于序列预测任务如股票价格预测、语音识别、自然语言处理等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import LSTM, Dense from sklearn.preprocessing import MinMaxScaler # 生成示例数据时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.sin(np.linspace(0, 10, 100)) np.random.randn(100) * 0.1 # 创建DataFrame df pd.DataFrame({Date: dates, Value: data}) # 预处理数据 scaler MinMaxScaler() scaled_data scaler.fit_transform(df[[Value]]) X, y [], [] for i in range(len(scaled_data) - 10): X.append(scaled_data[i:i10]) y.append(scaled_data[i10]) X, y np.array(X), np.array(y) # 构建LSTM模型 model Sequential() model.add(LSTM(50, input_shape(X.shape[1], X.shape[2]))) model.add(Dense(1)) model.compile(optimizeradam, lossmean_squared_error) # 训练模型 model.fit(X, y, epochs20, verbose1) # 预测 predicted model.predict(X) predicted scaler.inverse_transform(predicted) actual scaler.inverse_transform(y.reshape(-1, 1)) # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date][10:], actual, labelActual, colorblue) plt.plot(df[Date][10:], predicted, labelPredicted, colorred, linestyle--) plt.title(LSTM Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了 LSTM 模型的预测结果红色虚线与实际数据蓝色。LSTM 能够捕捉时间序列的长期依赖特征并进行准确预测。8. 门控循环单元GRU原理GRU 是另一种改进的 RNN 结构旨在克服标准 RNN 的梯度消失问题。GRU 相较于 LSTM 具有更简洁的结构只使用了重置门和更新门来控制信息的流动。核心公式GRU 网络的核心公式如下更新门重置门候选激活隐藏状态其中是输入。是隐藏状态。是候选激活值。优缺点优点结构比 LSTM 更简单训练速度更快。处理长期依赖问题。缺点与 LSTM 相比性能可能有所差距特别是在某些复杂任务上。对超参数的设置较为敏感。适用场景GRU 模型适用于需要捕捉长期依赖关系的时间序列预测任务如时间序列预测、自然语言处理等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import GRU, Dense from sklearn.preprocessing import MinMaxScaler # 生成示例数据时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.sin(np.linspace(0, 10, 100)) np.random.randn(100) * 0.1 # 创建DataFrame df pd.DataFrame({Date: dates, Value: data}) # 预处理数据 scaler MinMaxScaler() scaled_data scaler.fit_transform(df[[Value]]) X, y [], [] for i in range(len(scaled_data) - 10): X.append(scaled_data[i:i10]) y.append(scaled_data[i10]) X, y np.array(X), np.array(y) # 构建GRU模型 model Sequential() model.add(GRU(50, input_shape(X.shape[1], X.shape[2]))) model.add(Dense(1)) model.compile(optimizeradam, lossmean_squared_error) # 训练模型 model.fit(X, y, epochs20, verbose1) # 预测 predicted model.predict(X) predicted scaler.inverse_transform(predicted) actual scaler.inverse_transform(y.reshape(-1, 1)) # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date][10:], actual, labelActual, colorblue) plt.plot(df[Date][10:], predicted, labelPredicted, colorred, linestyle--) plt.title(GRU Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了 GRU 模型的预测结果红色虚线与实际数据蓝色。GRU 能够有效处理时间序列数据并进行预测。9. 贝叶斯结构时间序列模型BSTS原理BSTS 模型是基于贝叶斯框架的时间序列建模方法它允许对时间序列数据中的趋势、季节性和假期效应进行建模。BSTS 模型结合了结构时间序列模型和贝叶斯推断方法以提供灵活的建模能力。核心公式BSTS 模型的公式包括趋势、季节性和假期成分其中是趋势组件。是季节性组件。是假期效应。是误差项。推导趋势 使用随机游走模型或加法趋势模型。季节性 建模季节性波动。假期效应 通过特定的假期效应模型引入。优缺点优点能够处理多种时间序列成分适用于复杂的时间序列数据。具有灵活的贝叶斯推断能力能提供不确定性评估。缺点计算复杂度高训练时间较长。对超参数的调整较为敏感。适用场景BSTS 模型适用于具有复杂结构的时间序列数据如业务销售数据、经济指标预测等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt import numpyro from bsts import BSTS import jax import jax.numpy as jnp # 确认可用设备数量 print(fNumber of available devices: {jax.local_device_count()}) # 设置主机设备数量根据实际情况调整 numpyro.set_host_device_count(1) # 设置为实际可用的设备数量 # 生成示例数据 np.random.seed(42) dates pd.date_range(2024-01-01, periods365) data np.linspace(10, 50, 365) 10 * np.sin(np.linspace(0, 2 * np.pi, 365)) np.random.randn(365) * 5 df pd.DataFrame({Date: dates, Value: data}) # 确保数据格式正确 values np.asarray(df[Value], dtypenp.float32) # 初始化 BSTS 模型 model BSTS(values) # 拟合模型 model.fit(values) # 预测未来30天 forecast model.predict(steps30) # 生成未来日期 forecast_index pd.date_range(dates[-1] pd.DateOffset(days1), periods30) forecast_values forecast[mean] # 根据实际返回值的结构调整 # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date], df[Value], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colorred, linestyle--) plt.title(BSTS Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了时间序列数据蓝色及其预测结果红色虚线。BSTS 模型能够捕捉时间序列的复杂成分并进行预测。10. 序列到序列模型Seq2Seq原理Seq2Seq 模型是一种深度学习模型用于处理序列到序列的任务如机器翻译和时间序列预测。Seq2Seq 模型通常由一个编码器和一个解码器组成其中编码器处理输入序列解码器生成输出序列。核心公式Seq2Seq 模型的核心公式包括编码器和解码器编码器其中 是输入序列的元素 是隐藏状态。解码器其中 是输出序列的元素。优缺点优点适用于复杂的序列到序列任务如机器翻译和时间序列预测。能够处理变长的输入和输出序列。缺点训练时间较长对计算资源要求高。模型复杂度较高需要大量数据进行训练。适用场景Seq2Seq 模型适用于需要进行序列转换的任务如时间序列预测、自然语言处理等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import LSTM, Dense from sklearn.preprocessing import MinMaxScaler # 生成示例数据时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.sin(np.linspace(0, 10, 100)) np.random.randn(100) * 0.1 # 创建DataFrame df pd.DataFrame({Date: dates, Value: data}) # 预处理数据 scaler MinMaxScaler() scaled_data scaler.fit_transform(df[[Value]]) X, y [], [] for i in range(len(scaled_data) - 10): X.append(scaled_data[i:i10]) y.append(scaled_data[i10]) X, y np.array(X), np.array(y) # 构建Seq2Seq模型 model Sequential() model.add(LSTM(50, input_shape(X.shape[1], X.shape[2]))) model.add(Dense(1)) model.compile(optimizeradam, lossmean_squared_error) # 训练模型 model.fit(X, y, epochs20, verbose1) # 预测 predicted model.predict(X) predicted scaler.inverse_transform(predicted) actual scaler.inverse_transform(y.reshape(-1, 1)) # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date][10:], actual, labelActual, colorblue) plt.plot(df[Date][10:], predicted, labelPredicted, colorred, linestyle--) plt.title(Seq2Seq Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了 Seq2Seq 模型的预测结果红色虚线与实际数据蓝色。Seq2Seq 模型能有效进行时间序列的预测任务。零基础入门AI大模型今天贴心为大家准备好了一系列AI大模型资源包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。1.学习路线图第一阶段 从大模型系统设计入手讲解大模型的主要方法第二阶段 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段 大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段 以SD多模态大模型为主搭建了文生图小程序案例第七阶段 以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。2.视频教程网上虽然也有很多的学习资源但基本上都残缺不全的这是我自己整理的大模型视频教程上面路线图的每一个知识点我都有配套的视频讲解。都打包成一块的了不能一一展开总共300多集3.技术文档和电子书这里主要整理了大模型相关PDF书籍、行业报告、文档有几百本都是目前行业最新的。4.LLM面试题和面经合集这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集领取方式我会放在下面希望领取了的朋友不要忘了下方名片放心添加
文章目录前言1. 自回归移动平均模型ARMA原理核心公式优缺点适用场景核心案例代码2. 自回归积分滑动平均模型ARIMA原理核心公式优缺点适用场景核心案例代码3. 季节性自回归积分滑动平均模型SARIMA原理核心公式优缺点适用场景核心案例代码4. 向量自回归模型VAR原理核心公式优缺点适用场景核心案例代码5. 广义自回归条件异方差模型GARCH原理核心公式优缺点适用场景核心案例代码6. Prophet原理核心公式优缺点适用场景核心案例代码7. 长短期记忆网络LSTM原理核心公式优缺点适用场景核心案例代码8. 门控循环单元GRU原理核心公式优缺点适用场景核心案例代码9. 贝叶斯结构时间序列模型BSTS原理核心公式优缺点适用场景核心案例代码10. 序列到序列模型Seq2Seq原理核心公式优缺点适用场景核心案例代码零基础入门AI大模型1.学习路线图2.视频教程3.技术文档和电子书4.LLM面试题和面经合集5.免费获取前言时间序列预测模型非常非常的重要可以帮助企业和组织优化决策和资源配置。通过分析历史数据这些模型揭示了潜在的模式和季节性变化从而提供了数据驱动的预测。有效的时间序列预测还能够提高供应链管理、市场策略和风险控制的精确性。为此咱们今儿和大家聊的十种最常见的时间序列模型有自回归移动平均模型ARMA自回归积分滑动平均模型ARIMA季节性自回归积分滑动平均模型SARIMA向量自回归模型VAR广义自回归条件异方差模型GARCHProphet长短期记忆网络LSTM门控循环单元GRU贝叶斯结构时间序列模型BSTS序列到序列模型Seq2Seq咱们下面详细的聊聊这些方法大家一定会有一个完整的认识。1. 自回归移动平均模型ARMA原理ARMA 模型是时间序列分析中的经典模型结合了自回归 (AR) 和移动平均 (MA) 模型。AR 部分表示时间序列当前值与其过去几个时刻值的线性关系而 MA 部分表示时间序列当前值与过去几个时刻的误差项的线性组合。自回归 (AR) 模型 当前时刻的值是前几时刻值的线性组合。移动平均 (MA) 模型 当前时刻的值是前几时刻的预测误差的线性组合。核心公式ARMA 模型结合了 AR 和 MA 模型假设时间序列数据为 时间序列的当前值AR 部分的滞后阶数MA 部分的滞后阶数AR 模型中的系数MA 模型中的系数误差项通常假设为白噪声推导对于 AR§ 模型对于 MA(q) 模型将两者结合得到 ARMA(p,q) 模型。优缺点优点适用于短期预测。模型相对简单易于理解和实现。对平稳时间序列建模效果较好。缺点需要序列是平稳的不适用于非平稳时间序列。难以捕捉序列中的季节性和趋势性变化。适用场景ARMA 模型通常用于平稳时间序列的建模和预测如股票价格、经济指标、气象数据的短期预测等。核心案例代码我们使用 ARMA 模型预测股票市场数据。import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA # 生成示例数据股票价格的时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.cumsum(np.random.randn(100)) 100 # 随机漫步序列 # 创建DataFrame df pd.DataFrame(data, indexdates, columns[Stock Price]) # 拟合ARMA模型 (p2, q2) model ARIMA(df[Stock Price], order(2, 0, 2)) arma_result model.fit() # 预测未来20个时间点 forecast arma_result.get_forecast(steps20) forecast_index pd.date_range(df.index[-1], periods21, freqD)[1:] forecast_values forecast.predicted_mean # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Stock Price], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colorred, linestyle--) plt.fill_between(forecast_index, forecast.conf_int().iloc[:, 0], forecast.conf_int().iloc[:, 1], colorpink, alpha0.3) plt.title(ARMA Model Forecast of Stock Price) plt.xlabel(Date) plt.ylabel(Stock Price) plt.legend() plt.grid(True) plt.show()整个代码生成一个随机漫步的股票价格序列使用 ARMA 模型进行拟合并预测未来 20 天的股票价格。图中展示了实际的时间序列数据蓝色以及预测的未来值红色虚线同时预测区间的置信区间以粉色阴影表示。2. 自回归积分滑动平均模型ARIMA原理ARIMA 模型是 ARMA 模型的扩展适用于非平稳时间序列。ARIMA 模型通过差分操作使非平稳时间序列转化为平稳时间序列再对平稳时间序列进行 ARMA 模型拟合。ARIMA 模型的三个主要参数分别是p自回归项数ARd差分次数Iq移动平均项数MA其中差分次数 是用来消除时间序列中的趋势成分使其成为平稳序列。核心公式ARIMA 模型由三个部分组成自回归 (AR)、差分 (I)、移动平均 (MA)。假设时间序列为 经过 次差分后的序列为 则 ARIMA 模型可以表示为其中$ y’t y_t - y{t-1} $ 是经过一次差分后的序列。、、 是模型的三个参数。推导差分操作对原始时间序列 进行 次差分操作得到平稳序列 多次差分的情况为其中 是滞后算子。应用 ARMA 模型对差分后的序列应用 ARMA 模型。优缺点优点适用于处理具有趋势性或非平稳性的时间序列。对多种类型的时间序列都具有较强的适用性。缺点模型的选择尤其是差分次数 比较复杂可能需要多次试验。对于存在季节性成分的时间序列ARIMA 可能不足以捕捉其特征。适用场景ARIMA 模型广泛用于经济、金融等领域的时间序列预测如 GDP、通货膨胀率、失业率、股票价格等。特别适合处理有趋势但无明显季节性的时间序列。核心案例代码我们将使用 ARIMA 模型预测一个包含趋势的时间序列数据。import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA # 生成示例数据带有趋势的时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods200) trend np.linspace(10, 30, 200) # 线性趋势 data trend np.random.randn(200) * 2 # 叠加噪声 # 创建DataFrame df pd.DataFrame(data, indexdates, columns[Value]) # 拟合ARIMA模型 (p2, d1, q2) model ARIMA(df[Value], order(2, 1, 2)) arima_result model.fit() # 预测未来30个时间点 forecast arima_result.get_forecast(steps30) forecast_index pd.date_range(df.index[-1], periods31, freqD)[1:] forecast_values forecast.predicted_mean # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Value], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colorgreen, linestyle--) plt.fill_between(forecast_index, forecast.conf_int().iloc[:, 0], forecast.conf_int().iloc[:, 1], colorlightgreen, alpha0.3) plt.title(ARIMA Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()使用 ARIMA 模型进行拟合和预测。预测结果用绿色虚线表示预测的置信区间用浅绿色阴影表示。图中展示了过去的观测值蓝色和未来 30 天的预测值展示了 ARIMA 模型对趋势的预测能力。3. 季节性自回归积分滑动平均模型SARIMA原理SARIMA 模型是 ARIMA 模型的扩展用于处理具有季节性成分的时间序列。SARIMA 模型引入了季节性成分通过增加季节性自回归SAR、季节性差分I和季节性移动平均SMA项来建模。核心公式SARIMA 模型的公式如下其中和 分别是季节性自回归和季节性移动平均项的阶数。是季节性周期例如12 个月为一年。和 是季节性自回归和季节性移动平均项的系数。推导季节性差分季节性 ARMA 模型将季节性 AR 和 MA 组件加入 ARMA 模型。优缺点优点适用于处理具有明显季节性成分的时间序列。可以同时建模季节性和非季节性成分。缺点模型复杂度高参数较多调整较为困难。需要确定季节性周期。适用场景SARIMA 模型适用于具有季节性波动的时间序列数据如月度销售数据、季节性气象数据等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.statespace.sarimax import SARIMAX # 生成示例数据季节性时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods120, freqM) seasonal_component 10 10 * np.sin(np.linspace(0, 3 * np.pi, 120)) data seasonal_component np.random.randn(120) * 2 # 叠加噪声 # 创建DataFrame df pd.DataFrame(data, indexdates, columns[Value]) # 拟合SARIMA模型 (p1, d1, q1, P1, D1, Q1, s12) model SARIMAX(df[Value], order(1, 1, 1), seasonal_order(1, 1, 1, 12)) sarima_result model.fit() # 预测未来12个月 forecast sarima_result.get_forecast(steps12) forecast_index pd.date_range(df.index[-1] pd.DateOffset(months1), periods12, freqM) forecast_values forecast.predicted_mean # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Value], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colororange, linestyle--) plt.fill_between(forecast_index, forecast.conf_int().iloc[:, 0], forecast.conf_int().iloc[:, 1], color#FFA07A, alpha0.3) # 使用有效的颜色代码 plt.title(SARIMA Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了一个具有季节性波动的时间序列数据蓝色和未来 12 个月的预测值橙色虚线。预测区间的置信区间用浅橙色阴影表示。SARIMA 模型能够有效捕捉时间序列中的季节性模式。4. 向量自回归模型VAR原理VAR 模型用于建模多个时间序列变量之间的相互依赖关系。与 ARMA 模型只对单一时间序列进行建模不同VAR 模型能够处理多变量时间序列捕捉它们之间的动态关系。核心公式假设我们有 个时间序列变量 VAR§ 模型可以表示为其中是 -dim的向量表示时间点 的观测值。是 的系数矩阵。是误差项通常假设为白噪声。推导VAR§ 模型对于每个时间序列变量 其值由前 个时刻的所有变量的线性组合决定。模型拟合使用最小二乘法估计参数矩阵 。优缺点优点能够处理多个时间序列变量适合多变量时间序列数据的分析。能捕捉变量之间的动态相互关系。缺点模型复杂度高参数量大尤其是当变量数目和滞后阶数都很大时。对数据的要求较高尤其是数据量需要足够大以保证模型稳定性。适用场景VAR 模型适用于多个经济、金融或社会时间序列变量的建模与预测如宏观经济指标GDP、通货膨胀率、失业率之间的关系分析。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.api import VAR # 生成示例数据多变量时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data1 np.cumsum(np.random.randn(100)) 50 data2 np.cumsum(np.random.randn(100)) 30 data pd.DataFrame({Variable1: data1, Variable2: data2}, indexdates) # 拟合VAR模型 (p2) model VAR(data) var_result model.fit(2) # 预测未来10个时间点 forecast var_result.forecast(data.values[-2:], steps10) forecast_index pd.date_range(dates[-1] pd.DateOffset(days1), periods10) forecast_df pd.DataFrame(forecast, indexforecast_index, columnsdata.columns) # 可视化 plt.figure(figsize(14, 7)) plt.plot(data.index, data[Variable1], labelVariable1 (Observed), colorblue) plt.plot(data.index, data[Variable2], labelVariable2 (Observed), colorgreen) plt.plot(forecast_df.index, forecast_df[Variable1], labelVariable1 (Forecast), colororange, linestyle--) plt.plot(forecast_df.index, forecast_df[Variable2], labelVariable2 (Forecast), colorred, linestyle--) plt.title(VAR Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了两个时间序列变量的观测数据蓝色和绿色以及未来 10 天的预测值橙色和红色虚线。VAR 模型能有效捕捉两个变量之间的动态关系。5. 广义自回归条件异方差模型GARCH原理GARCH 模型用于建模时间序列数据的条件异方差性特别是金融时间序列数据的波动性。GARCH 模型扩展了 ARCH 模型通过引入过去的方差来解释当前的方差。核心公式GARCH(p, q) 模型的核心公式为其中是残差项。是条件方差。是常数项。和 是模型参数。推导ARCH 模型GARCH 模型将过去的方差 引入模型。优缺点优点适用于建模时间序列的波动性特别是金融数据中的波动性聚集效应。能够描述时间序列数据中的异方差特性。缺点对参数估计要求较高模型复杂度较大。对数据量要求较高。适用场景GARCH 模型广泛用于金融时间序列数据如股票收益率、汇率等用于建模和预测波动性。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from arch import arch_model # 生成示例数据金融时间序列收益率 np.random.seed(42) dates pd.date_range(2024-01-01, periods250) returns np.random.randn(250) * 0.02 # 生成随机收益率数据 # 创建DataFrame df pd.DataFrame(returns, indexdates, columns[Returns]) # 拟合GARCH模型 (p1, q1) model arch_model(df[Returns], volGarch, p1, q1) garch_result model.fit() # 预测未来10个时间点的波动性 forecast garch_result.forecast(horizon10) forecast_index pd.date_range(dates[-1] pd.DateOffset(days1), periods10) forecast_volatility forecast.variance.values[-1, :] # 可视化 plt.figure(figsize(12, 6)) plt.plot(df.index, df[Returns]**2, labelObserved Variance, colorblue) plt.plot(forecast_index, forecast_volatility, labelForecasted Volatility, colorred, linestyle--) plt.title(GARCH Model Forecast) plt.xlabel(Date) plt.ylabel(Variance) plt.legend() plt.grid(True) plt.show()图中展示了实际的方差蓝色和未来 10 天的预测波动性红色虚线。GARCH 模型能有效捕捉时间序列中的波动性特征。6. Prophet原理Prophet 是由 Facebook 开发的时间序列预测模型专为处理具有强季节性、趋势变化以及缺失值和异常值的时间序列数据设计。它的核心思想是将时间序列数据分解为趋势、季节性和假期效应三个部分。核心公式Prophet 模型的公式如下其中是趋势组件线性或逻辑斯蒂增长。是季节性组件。是假期效应。是误差项。推导趋势线性趋势逻辑斯蒂增长季节性其中 是季节周期 是季节性频率的数量。 3.假期效应添加假期的特殊效应。优缺点优点适用于具有季节性和趋势变化的时间序列。对缺失值和异常值具有较强的鲁棒性。模型易于使用适合非专业用户。缺点对于数据量很大的情况计算可能会变得比较慢。对非平稳数据的处理较为简单可能不足以处理复杂的非平稳特征。适用场景Prophet 模型适用于各种具有强季节性和趋势性的数据例如零售销售、网站流量、生产量等。核心案例代码import pandas as pd import numpy as np import matplotlib.pyplot as plt from prophet import Prophet # 使用 prophet 替代 fbprophet # 生成示例数据带有季节性和趋势的时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods365) data np.linspace(10, 50, 365) 10 * np.sin(np.linspace(0, 2 * np.pi, 365)) np.random.randn(365) * 5 # 创建DataFrame df pd.DataFrame({ds: dates, y: data}) # 拟合Prophet模型 model Prophet(yearly_seasonalityTrue) model.fit(df) # 预测未来30天 future model.make_future_dataframe(periods30) forecast model.predict(future) # 可视化 fig model.plot(forecast) plt.title(Prophet Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.show()图中展示了时间序列数据黑色点及其预测结果蓝色线。Prophet 模型能有效捕捉时间序列中的趋势和季节性成分并进行未来的预测。7. 长短期记忆网络LSTM原理LSTM 是一种特殊类型的循环神经网络RNN用于捕捉时间序列数据中的长期依赖关系。LSTM 网络通过引入门控机制输入门、遗忘门和输出门来解决标准 RNN 中的梯度消失和爆炸问题。核心公式LSTM 网络的核心公式如下输入门遗忘门候选记忆记忆单元更新输出门隐藏状态其中是输入。是隐藏状态。是记忆单元状态。优缺点优点能够捕捉长期依赖关系适用于长序列数据。处理梯度消失和爆炸问题。缺点训练过程计算复杂时间较长。对参数的调整比较敏感。适用场景LSTM 模型适用于序列预测任务如股票价格预测、语音识别、自然语言处理等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import LSTM, Dense from sklearn.preprocessing import MinMaxScaler # 生成示例数据时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.sin(np.linspace(0, 10, 100)) np.random.randn(100) * 0.1 # 创建DataFrame df pd.DataFrame({Date: dates, Value: data}) # 预处理数据 scaler MinMaxScaler() scaled_data scaler.fit_transform(df[[Value]]) X, y [], [] for i in range(len(scaled_data) - 10): X.append(scaled_data[i:i10]) y.append(scaled_data[i10]) X, y np.array(X), np.array(y) # 构建LSTM模型 model Sequential() model.add(LSTM(50, input_shape(X.shape[1], X.shape[2]))) model.add(Dense(1)) model.compile(optimizeradam, lossmean_squared_error) # 训练模型 model.fit(X, y, epochs20, verbose1) # 预测 predicted model.predict(X) predicted scaler.inverse_transform(predicted) actual scaler.inverse_transform(y.reshape(-1, 1)) # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date][10:], actual, labelActual, colorblue) plt.plot(df[Date][10:], predicted, labelPredicted, colorred, linestyle--) plt.title(LSTM Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了 LSTM 模型的预测结果红色虚线与实际数据蓝色。LSTM 能够捕捉时间序列的长期依赖特征并进行准确预测。8. 门控循环单元GRU原理GRU 是另一种改进的 RNN 结构旨在克服标准 RNN 的梯度消失问题。GRU 相较于 LSTM 具有更简洁的结构只使用了重置门和更新门来控制信息的流动。核心公式GRU 网络的核心公式如下更新门重置门候选激活隐藏状态其中是输入。是隐藏状态。是候选激活值。优缺点优点结构比 LSTM 更简单训练速度更快。处理长期依赖问题。缺点与 LSTM 相比性能可能有所差距特别是在某些复杂任务上。对超参数的设置较为敏感。适用场景GRU 模型适用于需要捕捉长期依赖关系的时间序列预测任务如时间序列预测、自然语言处理等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import GRU, Dense from sklearn.preprocessing import MinMaxScaler # 生成示例数据时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.sin(np.linspace(0, 10, 100)) np.random.randn(100) * 0.1 # 创建DataFrame df pd.DataFrame({Date: dates, Value: data}) # 预处理数据 scaler MinMaxScaler() scaled_data scaler.fit_transform(df[[Value]]) X, y [], [] for i in range(len(scaled_data) - 10): X.append(scaled_data[i:i10]) y.append(scaled_data[i10]) X, y np.array(X), np.array(y) # 构建GRU模型 model Sequential() model.add(GRU(50, input_shape(X.shape[1], X.shape[2]))) model.add(Dense(1)) model.compile(optimizeradam, lossmean_squared_error) # 训练模型 model.fit(X, y, epochs20, verbose1) # 预测 predicted model.predict(X) predicted scaler.inverse_transform(predicted) actual scaler.inverse_transform(y.reshape(-1, 1)) # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date][10:], actual, labelActual, colorblue) plt.plot(df[Date][10:], predicted, labelPredicted, colorred, linestyle--) plt.title(GRU Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了 GRU 模型的预测结果红色虚线与实际数据蓝色。GRU 能够有效处理时间序列数据并进行预测。9. 贝叶斯结构时间序列模型BSTS原理BSTS 模型是基于贝叶斯框架的时间序列建模方法它允许对时间序列数据中的趋势、季节性和假期效应进行建模。BSTS 模型结合了结构时间序列模型和贝叶斯推断方法以提供灵活的建模能力。核心公式BSTS 模型的公式包括趋势、季节性和假期成分其中是趋势组件。是季节性组件。是假期效应。是误差项。推导趋势 使用随机游走模型或加法趋势模型。季节性 建模季节性波动。假期效应 通过特定的假期效应模型引入。优缺点优点能够处理多种时间序列成分适用于复杂的时间序列数据。具有灵活的贝叶斯推断能力能提供不确定性评估。缺点计算复杂度高训练时间较长。对超参数的调整较为敏感。适用场景BSTS 模型适用于具有复杂结构的时间序列数据如业务销售数据、经济指标预测等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt import numpyro from bsts import BSTS import jax import jax.numpy as jnp # 确认可用设备数量 print(fNumber of available devices: {jax.local_device_count()}) # 设置主机设备数量根据实际情况调整 numpyro.set_host_device_count(1) # 设置为实际可用的设备数量 # 生成示例数据 np.random.seed(42) dates pd.date_range(2024-01-01, periods365) data np.linspace(10, 50, 365) 10 * np.sin(np.linspace(0, 2 * np.pi, 365)) np.random.randn(365) * 5 df pd.DataFrame({Date: dates, Value: data}) # 确保数据格式正确 values np.asarray(df[Value], dtypenp.float32) # 初始化 BSTS 模型 model BSTS(values) # 拟合模型 model.fit(values) # 预测未来30天 forecast model.predict(steps30) # 生成未来日期 forecast_index pd.date_range(dates[-1] pd.DateOffset(days1), periods30) forecast_values forecast[mean] # 根据实际返回值的结构调整 # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date], df[Value], labelObserved, colorblue) plt.plot(forecast_index, forecast_values, labelForecast, colorred, linestyle--) plt.title(BSTS Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了时间序列数据蓝色及其预测结果红色虚线。BSTS 模型能够捕捉时间序列的复杂成分并进行预测。10. 序列到序列模型Seq2Seq原理Seq2Seq 模型是一种深度学习模型用于处理序列到序列的任务如机器翻译和时间序列预测。Seq2Seq 模型通常由一个编码器和一个解码器组成其中编码器处理输入序列解码器生成输出序列。核心公式Seq2Seq 模型的核心公式包括编码器和解码器编码器其中 是输入序列的元素 是隐藏状态。解码器其中 是输出序列的元素。优缺点优点适用于复杂的序列到序列任务如机器翻译和时间序列预测。能够处理变长的输入和输出序列。缺点训练时间较长对计算资源要求高。模型复杂度较高需要大量数据进行训练。适用场景Seq2Seq 模型适用于需要进行序列转换的任务如时间序列预测、自然语言处理等。核心案例代码import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import LSTM, Dense from sklearn.preprocessing import MinMaxScaler # 生成示例数据时间序列 np.random.seed(42) dates pd.date_range(2024-01-01, periods100) data np.sin(np.linspace(0, 10, 100)) np.random.randn(100) * 0.1 # 创建DataFrame df pd.DataFrame({Date: dates, Value: data}) # 预处理数据 scaler MinMaxScaler() scaled_data scaler.fit_transform(df[[Value]]) X, y [], [] for i in range(len(scaled_data) - 10): X.append(scaled_data[i:i10]) y.append(scaled_data[i10]) X, y np.array(X), np.array(y) # 构建Seq2Seq模型 model Sequential() model.add(LSTM(50, input_shape(X.shape[1], X.shape[2]))) model.add(Dense(1)) model.compile(optimizeradam, lossmean_squared_error) # 训练模型 model.fit(X, y, epochs20, verbose1) # 预测 predicted model.predict(X) predicted scaler.inverse_transform(predicted) actual scaler.inverse_transform(y.reshape(-1, 1)) # 可视化 plt.figure(figsize(12, 6)) plt.plot(df[Date][10:], actual, labelActual, colorblue) plt.plot(df[Date][10:], predicted, labelPredicted, colorred, linestyle--) plt.title(Seq2Seq Model Forecast) plt.xlabel(Date) plt.ylabel(Value) plt.legend() plt.grid(True) plt.show()图中展示了 Seq2Seq 模型的预测结果红色虚线与实际数据蓝色。Seq2Seq 模型能有效进行时间序列的预测任务。零基础入门AI大模型今天贴心为大家准备好了一系列AI大模型资源包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。1.学习路线图第一阶段 从大模型系统设计入手讲解大模型的主要方法第二阶段 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段 大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段 以SD多模态大模型为主搭建了文生图小程序案例第七阶段 以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。2.视频教程网上虽然也有很多的学习资源但基本上都残缺不全的这是我自己整理的大模型视频教程上面路线图的每一个知识点我都有配套的视频讲解。都打包成一块的了不能一一展开总共300多集3.技术文档和电子书这里主要整理了大模型相关PDF书籍、行业报告、文档有几百本都是目前行业最新的。4.LLM面试题和面经合集这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集领取方式我会放在下面希望领取了的朋友不要忘了下方名片放心添加
