時間序列演算法
1. 時間序列 是 數據挖掘的一種 演算法 嗎
是
所有統計學的方法 都是數據挖掘的一種演算法，當然數據挖掘是一個交叉學科，融合了各個學科領域的多種演算法。
2. 時間序列分析ARIMA演算法中求差分的目的是什麼
差分目的是使因變數序列平穩，序列平穩是做ARIMA回歸的前提條件。
差分一般不做大於2階的，在第一次差分後就要檢驗平穩性，若通過平穩性檢驗，則可停止進行進一步差分。
3. 時間序列分割問題
1、序列分割是為了對序列更好的處理。一個太長的序列在進行相應的處理時，比如說提取關鍵信息（趨勢，均值之類的等等）帶來諸多不便，而且對序列的信息描述不準確。
2、這方面的演算法也有不少，我記得的有平均分段、基於極大值極小值的分段、基於關鍵點的分段、基於滑動窗口的分段等。演算法的具體實現你在網上找些資料看看就行了。
3、學習資料這方面呢，你先看些基礎的東西，比如說時間序列的一些常用方法、一元序列和多元序列的區別等，當然了，對時間序列諸如遵循正態分布的這樣一些基本特性也要知道（其實這些在時間序列相關的綜述論文都有提到，多看幾篇論文就明白了）。然後，分別從一元到多元深入地學習，比如說和DTW有關的演算法、分層演算法、與時間粒度有關的演算法、奇異值分解、主成分分析等等，相應的演算法先多看幾篇論文，然後再到網上找些相應的程序看看。
4. 時間序列分析預測法優缺點
優點：可以從時間序列中找出變數變化的特徵、趨勢以及發展規律，從而對變數的未來變化進行有效地預測。
缺點：在應用時間序列分析法進行市場預測時應注意市場現象未來發展變化規律和發展水平，不一定與其歷史和現在的發展變化規律完全一致。間序列預測法因突出時間序列暫不考慮外界因素影響，因而存在著預測誤差的缺陷，當遇到外界發生較大變化，往往會有較大偏差。
其基本特徵：
1、趨勢性：某個變數隨著時間進展或自變數變化，呈現一種比較緩慢而長期的持續上升、下降、停留的同性質變動趨向，但變動幅度可能不相等。
2、周期性：某因素由於外部影響隨著自然季節的交替出現高峰與低谷的規律。
3、隨機性：個別為隨機變動，整體呈統計規律。
4、綜合性：實際變化情況是幾種變動的疊加或組合。預測時設法過濾除去不規則變動，突出反映趨勢性和周期性變動。
5. 以下哪個是常見的時間序列演算法模型
http://blog.csdn.net/ztf312/article/details/50890267
6. 時間序列的各個模型有什麼區別和應用
時間序列模型是指採用某種演算法（可以是神經網路、ARMA等）模擬歷史數據，找出其中的變化規律，神經網路模型是一種演算法，可以用於分類、聚類、預測等等不用領域；兩者一個是問題模型，一個是演算法模型
7. 用時間序列的知識回答簡述如何檢驗一個模型的有效性
為了得到正確的結論、在進行系統分析、預測和輔助決策時,必須保證模型能夠准確地反映實際系統並能在計算機上正確運行.因此,必須對模型的有效性進行評估.模型有效性評估主要包括模型確認和模型驗證兩部分內容：模型確認考察的是系統模型（所建立的模型）與被模擬系統（研究對象）之間的關系,模型驗證考察的則是系統模型與模型計算機實現之間的關系.
對於一個具體的建模項目來說,模型有效性評估貫穿於研究的始終.必須指出,模型實際上是所研究的系統的一種抽象表述形式,要驗證一個模型是否百分之百有效是極其困難的,也是沒有實際意義的.另外,模型是否有效是相對於研究目的以及用戶需求而言的.在某些情況下,模型達到60％的可信度使可滿足要求；而在另外一些情況下,模型達到99％都可能是不滿足的.
模型有效性的概念出現在20世紀60年代,隨著計算機模擬技術在各個學科和工程領域的普遍應用,模型有效性問題日益受到人們的關注. 1967年,美國蘭德公司的fishman和Kivtat明確指出,模型有效性研究可劃分為兩個部分：模型的確認（validation）和驗證（verification）.這一觀點被國際模擬學界普遍採納.模型確認指通過比較在相同輸入條判和運行環境下模型與實際系統輸出之間的一致性,評價模型的可信度或可用性.模型驗證則是判斷模型的計算機實現是否正確.
盡管確認和驗證在各文獻中的定義不盡相同,但對於二者之間的區別,專家的看法卻是基本一致的.簡單地說,模型確認強調理論模型與實際系統之間的一致性,模型驗證則強調當前模型與計算機程序之間的一致性.在有些文獻中也採用工程技術人員容易接受的「校模」和「驗模」兩個術語來分別代替「確認」和「驗證」.模型的確認和驗證與建模的關系見圖 8.5.
在圖 8.5中,「問題實體」指被建模的對象,如系統、觀念、政策、現象等.「理論模型」是為達到某種特定的研究目的而對問題實體進行的數學／邏輯描述.「計算機模型」（computerized Model）是理論模型在計算機上的實現.
通過「分析與建模」活動可以建立理論模型.計算機模型的建立需通過「編程及實現」這一步驟來完成.經過模擬「實驗」即可得到關於問題實體的結果.
模型確認包括理論模型有效性確認、數據有效性確認和運行有效性確認三部分內容,其中運行有效性確認是模型確認的核心.
圖 8.5 確認和驗證與建模的關系
1）理論模型有效性確認
理論模型有效性確認是對理論模型中採用的理論依據和假設條件的正確性以及理論模型對問題實體描述的合理性加以證實的過程.理論模型有效性確認包括兩項內容：
（1）檢驗模型的理論依據及假設條件的正確性.它具有兩個含義,一是檢驗理論依據的應用條件是否滿足,如線性、正態性、獨立性、靜態性等；該檢驗過程可以利用統計方法進行.二是檢驗各種理論的應用是否正確.
（2）子模型的劃分及其與總模型的關系是否合理,即分析模型的結構是否正確,子模型問的數學/邏輯關系是否與問題實體相符.理論模型經確認有效後,才能對其進行試運行.最後根據輸出結果評估模型的精度.若理論模型無效,應重復分析、建模及確認的過程.
2）數據有效性確認
數據有效性確認用於保證模型建立、評估、檢驗和實驗所用的數據是充分的和正確的.
在模型開發過程中,數據用於模型的建立、校驗和運行.充分、正確、精確的數據是建立模型的基礎.數據有效性確認包括對模型中關鍵變數、關鍵參數及隨機變數的確認,以及對運行有效性確認時所使用的參數和初始值等數據的確認.
3）運行有效性確認
運行有效性確認指就模型開發目的或用途而言,模型在其預期應用范圍內的輸出行為是否有足夠的精度.
運行有效性確認的目的是對模型輸出結果的精度進行計算和評估.其前提是實際系統及其可比系統的數據均可獲取.通過比較模型和實際系統在相同初始條件下的輸出數據,可對模型有效性進行定量分析.與實際系統相類似的系統,確認為有效的解析模型、工程計算模型、以及經過確認的模型都可作為模型的可比系統.
理論模型確認、數據有效性確認及模型驗證是運行有效性確認的前提.經運行有效性確認被認為有效的模型即可作為正式模型投入運行,利用它進行實際問題的研究.若模型在運行有效性確認時被確認為無效,其原因可能是理論模型不正確、或計算機模型不正確,也可能是數據無效.具體原因的查明需從分析與建模階段開始,重復模型的構造過程.若實際系統及其可比系統不存在或完全不可觀測,則模型與系統的輸出數據無法進行比較.在這種情況下,一般只能通過模型驗證和理論模型確認,定性地分析模型的有效性.
理論模型有效性包括：1）表觀確認,分析對與模型有關的所有信息進行評估,確定需要附加分析的內容,以提高模型的可信度水平；2）歷史分析,對與模型有關的歷史信息的評估,以評價模型對預期應用的適宜性.3）預期應用和需求分析,對預期應用的效果進行評估,以確定那些對資源的有效利用起關鍵作用的需求.4）模型概念和逼真度分析,對模型的演算法和子模型進行評估,以辨識那些不適用的假設,並確定子模型的逼真度是否能保證模型的預期應用.5）邏輯追蹤分析,通過模型邏輯評估模型中指定實體的行為,並確定這些行為是否都是所期望的.
8. 時間序列預測方法有哪些分類，分別適合使用的情況是
時間序列預測方法根據對資料分析方法的不同，可分為：簡單序時平均數法、加權序時平均數法、移動平均法、加權移動平均法、趨勢預測法、指數平滑法、季節性趨勢預測法、市場壽命周期預測法等。
1、簡單序時平均數法只能適用於事物變化不大的趨勢預測。如果事物呈現某種上升或下降的趨勢，就不宜採用此法。
2、加權序時平均數法就是把各個時期的歷史數據按近期和遠期影響程度進行加權，求出平均值，作為下期預測值。
3、簡單移動平均法適用於近期期預測。當產品需求既不快速增長也不快速下降，且不存在季節性因素時，移動平均法能有效地消除預測中的隨機波動。
4、加權移動平均法即將簡單移動平均數進行加權計算。在確定權數時，近期觀察值的權數應該大些，遠期觀察值的權數應該小些。
5、指數平滑法即根用於中短期經濟發展趨勢預測，所有預測方法中，指數平滑是用得最多的一種。
6、季節趨勢預測法根據經濟事物每年重復出現的周期性季節變動指數，預測其季節性變動趨勢。
7、市場壽命周期預測法，適用於對耐用消費品的預測。這種方法簡單、直觀、易於掌握。
(8)時間序列演算法擴展閱讀：
時間序列預測法的特徵
1、時間序列分析法是根據過去的變化趨勢預測未來的發展，前提是假定事物的過去延續到未來。運用過去的歷史數據,通過統計分析，進一步推測未來的發展趨勢。不會發生突然的跳躍變化,是以相對小的步伐前進；過去和當前的現象，可能表明現在和將來活動的發展變化趨向。
2.時間序列數據變動存在著規律性與不規律性
時間序列中的每個觀察值大小，是影響變化的各種不同因素在同一時刻發生作用的綜合結果。從這些影響因素發生作用的大小和方向變化的時間特性來看，這些因素造成的時間序列數據的變動分為四種類型：趨勢性、周期性、隨機性、綜合性。