知識點回顧

1. 序列數據的處理：
   1. 處理非平穩性：n階差分
   2. 處理季節性：季節性差分
   3. 自回歸性無需處理
2. 模型的選擇
   1. AR(p) 自回歸模型：當前值受到過去p個值的影響
   2. MA(q) 移動平均模型：當前值收到短期沖擊的影響，且沖擊影響隨時間衰減
   3. ARMA(p,q) 自回歸滑動平均模型：同時存在自回歸和沖擊影響

作業：檢索下經典的時序單變量數據集有哪些，選擇一個嘗試觀察其性質。

經典時序數據集分析方案

1.新增數據集加載模塊

import pandas as pd
from statsmodels.datasets import get_rdatasetdef load_classic_series(name='AirPassengers'):"""支持加載的經典數據集：- 'AirPassengers' 航空乘客數據（1949-1960）- 'sunspots' 太陽黑子數據（1700-2008）- 'nile' 尼羅河流量數據（1871-1970）"""dataset = get_rdataset(name).dataif name == 'AirPassengers':dataset.index = pd.date_range(start='1949-01', periods=len(dataset), freq='M')return dataset

2.增強可視化模塊

import matplotlib.pyplot as pltdef plot_series_decomposition(series, period=12):decomposition = seasonal_decompose(series, period=period)fig, (ax1, ax2, ax3, ax4) = plt.subplots(4,1, figsize=(12,8))decomposition.observed.plot(ax=ax1, title='Observed')decomposition.trend.plot(ax=ax2, title='Trend')decomposition.seasonal.plot(ax=ax3, title='Seasonality')decomposition.resid.plot(ax=ax4, title='Residuals')plt.tight_layout()return fig

3.執行分析命令

python -m src.models.train --task time_series_analysis --dataset AirPassengers

經典數據集特性對比