时间序列预测算法总结
时间序列算法 time series data mining 主要包括 decompose （分析数据的各个成分，例如趋势，周期性）， prediction （预测未来的值）， classification （对有序数据序列的 feature 提取与分类）， clustering （相似数列聚类）等。 时间序列的预测 常用的思路： 1、计算平均值 2、 exponential smoothing 指数衰减 不同的时间点，赋予不同的权重，越接近权重越高 3、snaive：假设已知数据的周期，上一个周期对应的值作为下一个周期的预测值 4、drift：飘移，即用最后一个点的值加上数据的平均趋势 5、Holt-Winters： 三阶指数平滑 Holt-Winters的思想是把数据分解成三个成分：平均水平（level），趋势（trend），周期性（seasonality）。R里面一个简单的函数stl就可以把原始数据进行分解： 一阶Holt—Winters假设数据是stationary的（静态分布），即是普通的指数平滑。 二阶算法假设数据有一个趋势，这个趋势可以是加性的(additive,线性趋势)，也可以是乘性的(multiplicative,非线性趋势)，只是公式里面一个小小的不同而已。 三阶算法在二阶的假设基础上，多了一个周期性的成分