注意:以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。
您可以使用 Quiver 中的时间序列预测变换来创建预测。预测是对分析中现有时间序列图的未来投射。Quiver 中的预测是以可视化和交互方式构建的。预测的结果是一个表示预测数据的时间序列图;此时间序列图可以进一步使用 Quiver 的时间序列变换进行变换。
为了说明这一部分,我们使用线性预测作为示例。下面的部分提供了有关每种预测类型的更多详细信息。
这将生成一个时间序列图(在本例中为线),该图默认拟合到输入图的整个范围。请注意,时间轴将与输入时间序列图保持不变。要查看未来更远的预测,您可以缩小x轴。
您可以在预测编辑器的预测详情部分找到系数的值。
在线性预测示例中,系数是 m(斜率)和 c(偏移)。
在这里,我们将训练时间范围设置为2015-2020年,而不是整个历史。因此,预测的参数(斜率和偏移)已经更改以使预测在训练时间范围内更加准确。如果您认为某些时间段更能指示未来的行为,这可能会很有用。
在我们的示例中,更改损失定义会导致不同的预测系数。
在本节中,我们详细介绍了不同类型的预测及其配置选项。在文档的其余部分,我们将要预测的量称为y
或y(t)
以表示时间t
的y
。
常数预测假设量y
将保持不变。
数学形式:y = a
在我们的示例中,我们可以看到常数预测未能捕捉数据中的斜率或周期性。
线性预测假设量y
将遵循线性趋势。
数学形式:y = a*t + b
在我们的示例中,线性预测捕捉到了斜率,但未能捕捉数据中的周期性。
当数据中存在周期性,且量遵循某种物理过程的涨落时,可以使用公式预测。例如,环境温度同时表现出每日和年度周期性。公式预测允许您拟合一个正弦曲线。
公式预测假设量y
遵循一个控制方程。
数学形式:y = f(t)
示例:
使用指数公式的预测示例。模型确定的系数显示在预测详情下的表达式中。
ODE 可用于预测由常微分方程控制的量。ODE 预测假设量y
的导数(变化率)遵循一个控制方程。
数学形式:
一阶
二阶
示例:
指数增长(λ>0)或衰减(λ<0)
牛顿第二定律(F=m*a
)
弹簧质量系统,简单谐振子
要定义您的 ODE 预测,请将控制方程添加到表达式框中,并使用@
前缀和字母定义未知数作为系数。例如,对于指数增长,我们有@k * y
,其中y
是量。
在此示例中,我们使用指数增长方程的 ODE 预测。
当数据中存在来自某种生活模式的周期性时,建议使用此预测。例如,如果人们更可能在一周的某些日子购物,则零售销售会表现出某种每周周期性。
数学形式(非季节性):
其中:
yd
是y
在差分(减去连续值)被取d
次后的结果。
选择自动选项将自动为您设置以下 ARIMA 参数。如果您愿意,您可以手动更改参数,直到获得满意的拟合。如果手动选择 ARIMA 参数,请倾向于使用较小的数字,因为具有较少术语的简单模型将更好地泛化。
ARIMA 参数:
可以为模型添加季节性成分。为此,切换季节性开关并指定季节性周期。例如,如果您有每日数据且具有每周周期性,请输入7
。
如果关闭自动选项,则会出现以下参数:
对于某些预测类型,您可以选择拟合预测时使用的损失定义。在将预测拟合到训练数据时,将选择系数以最小化损失。不同类型的损失将导致不同的预测。
目标序列点 y[i] 与预测 f[i] 点之间的平方差之和的平方根,在训练时间范围内。相当于L2
范数的误差。
目标序列点与预测点之间的绝对差之和,在训练时间范围内。相当于L1
范数的误差。
目标序列点与预测点之间的最大绝对差,在训练时间范围内。相当于L-无穷大(L∞
)范数的误差。