1、CNN_Python時(shí)間序列預(yù)測(cè)實(shí)戰(zhàn)（電負(fù)荷預(yù)測(cè)）這是我之前作做的個(gè)項(xiàng)importdata_historyimportdata_history#2017-08-14之前都存在負(fù)荷空值，要把這些時(shí)間段去掉#將索引變?yōu)榱校阒蟾袷睫D(zhuǎn)換#datetime64格式原始時(shí)間序列圖平穩(wěn)性檢測(cè)與平穩(wěn)化處理ARMA模型要求輸?shù)臅r(shí)間序列類型數(shù)據(jù)具有平穩(wěn)性，所以在進(jìn)時(shí)間序列預(yù)測(cè)之前，要對(duì)時(shí)間序列數(shù)據(jù)進(jìn)平穩(wěn)性的檢驗(yàn)和處理。ADF是種常的單位根檢驗(yàn)法，它的原假設(shè)為序列具有單位根，即平穩(wěn)，對(duì)于個(gè)平穩(wěn)的時(shí)序數(shù)據(jù)，就需要在給定的置信平上顯著，拒絕原假設(shè)。通常的平穩(wěn)化處理法主要有：對(duì)數(shù)變換、移動(dòng)平均、指數(shù)平滑、以及差分。其

2、中差分的平穩(wěn)化處理效果最好，我們?cè)谶@采差分的法來(lái)平穩(wěn)化時(shí)間序列。（差分過(guò)程寫(xiě)主程序了）fromADF檢驗(yàn)，檢驗(yàn)結(jié)果為平穩(wěn)建模并確定模型的最佳階數(shù)將平穩(wěn)化的趨勢(shì)因素和隨機(jī)因素代ARMA模型之中，但要做出最終的預(yù)測(cè)，還需要確定模型的階數(shù)(p,q)。個(gè)好的模型通常要求殘差序列差較，同時(shí)模型頁(yè)相對(duì)簡(jiǎn)單，即要求階數(shù)較低。因此我們需要個(gè)準(zhǔn)則來(lái)較不同階數(shù)的模型之間的優(yōu)劣，從確定最合適的階數(shù)。貝葉斯信息準(zhǔn)則：定義使得BIC達(dá)到最值的p即為該準(zhǔn)則下的最優(yōu)AR模型的階數(shù)。我們采種循環(huán)的式，在1-20的范圍內(nèi)尋找能令模型的bic屬性最的階數(shù)值，則此階數(shù)值就是最合適的模型階數(shù)。#(p, q)即為該準(zhǔn)則下的最優(yōu)模型的階

3、數(shù)預(yù)測(cè)由于季節(jié)性因素是以年為單位循環(huán)變動(dòng)的，那么對(duì)季節(jié)性因素的預(yù)測(cè)只需要簡(jiǎn)單的將上年的負(fù)荷數(shù)據(jù)照搬到下年即可。假如分解出來(lái)的趨勢(shì)因素和隨機(jī)因素做了次平穩(wěn)化處理的話，則要將趨勢(shì)因素、隨機(jī)因素的預(yù)測(cè)結(jié)果做相應(yīng)的還原。然后將季節(jié)性因素、趨勢(shì)因素、隨機(jī)因素的預(yù)測(cè)結(jié)果加到起，就是完整的預(yù)測(cè)結(jié)果#樣本外預(yù)測(cè)#“S”型曲線的階段#“S”型曲線的階段，進(jìn)增長(zhǎng)率預(yù)測(cè)#季節(jié)變動(dòng)每年都是樣的，預(yù)測(cè)季節(jié)因素只需要將前年的數(shù)據(jù)復(fù)制到新年即可industry_typedf_forecast分解時(shí)間序列電負(fù)荷時(shí)間序列數(shù)據(jù)具有常鮮明的季節(jié)性特征和趨勢(shì)特征，每個(gè)年度的電數(shù)據(jù)在節(jié)假的波動(dòng)上往往具有很的相似性，后年的電數(shù)據(jù)往往要前年的電數(shù)據(jù)些。季節(jié)性因素以年為周期，趨勢(shì)因素則有很強(qiáng)的線性特征，這兩者相對(duì)較好預(yù)測(cè)。時(shí)間序列數(shù)據(jù)分離出季節(jié)性因素和趨勢(shì)因素后還剩下隨機(jī)因素，分解后可以避免三種變動(dòng)因素之間互相影響，并且可以單獨(dú)測(cè)定每種變動(dòng)的影響程度，從提預(yù)測(cè)精度。因此，我們采季節(jié)分解法來(lái)對(duì)電負(fù)荷時(shí)間序列數(shù)據(jù)