forecasting

# 时间序列预测 Aeon 提供了用于预测未来时间序列值的预测算法。 ## 朴素与基准方法 用于比较的简单预测策略： - `NaiveForecaster` - 多种策略：最后值、均值、季节性朴素 - 参数：`strategy` ("last", "mean", "seasonal"), `sp` (季节周期) - **适用场景**：建立基准或简单的模式预测 ## 统计模型 经典时间序列预测方法： ### ARIMA - `ARIMA` - 自回归积分滑动平均模型 - 参数：`p` (AR 阶数), `d` (差分阶数), `q` (MA 阶数) - **适用场景**：线性模式、平稳或差分平稳序列 ### 指数平滑 - `ETS` - 误差-趋势-季节性分解 - 参数：`error`, `trend`, `seasonal` 类型 - **适用场景**：存在趋势和季节性模式的序列 ### 阈值自回归 - `TAR` - 用于状态切换的阈值自回归模型 - `AutoTAR` - 自动阈值发现 - **适用场景**：序列在不同状态下表现出不同行为 ### Theta 方法 - `Theta` - 经典 Theta 预测 - 参数：`theta`, 分解权重 - **适用场景**：需要简单但有效的基准时 ### 时变参数 - `TVP` - 带有卡尔曼滤波的时变参数模型 - **适用场景**：参数随时间变化时 ## 深度学习预测器 用于复杂时间模式的神经网络： - `TCNForecaster` - 时间卷积网络 - 用于大感受野的空洞卷积 - **适用场景**：长序列，需要非循环架构时 - `DeepARNetwork` - 基于 RNN 的概率预测 - 提供预测区间 - **适用场景**：需要概率预测、不确定性量化时 ## 基于回归的预测 将回归应用于滞后特征： - `RegressionForecaster` - 封装回归器用于预测 - 参数：`window_length`, `horizon` - **适用场景**：希望使用任意回归器进行预测时 ## 快速入门 python from aeon.forecasting.naive import NaiveForecaster from aeon.forecasting.arima import ARIMA import numpy as np # 创建时间序列 y = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) # 朴素基准 naive = NaiveForecaster(strategy="last") naive.fit(y) forecast_naive = naive.predict(fh=[1, 2, 3]) # ARIMA 模型 arima = ARIMA(order=(1, 1, 1)) arima.fit(y) forecast_arima = arima.predict(fh=[1, 2, 3]) ## 预测范围 预测范围 (`fh`)