作者首先介绍了SARIMA时间序列模型，这是一种结合季节性差分和自回归移动平均的模型。SARIMA能够拟合时间序列数据的趋势和周期性变化，是时间序列预测中一种重要且广泛使用的方法。我们应当着重研究SARIMA的建模思路，以提高自己时间序列分析的能力。接下来作者使用了移动平均线方法进行预测。移动平均线通过计算一段时间内的平均值来反映趋势
将季节差分与ARIMA模型相结合的SARIMA模型用于具有周期性特征的时间序列数据建模。 通过比较时间序列中这些算法模型的性能,发现机器学习方法均优于简单的传统方法,其中ETS模型和ARIMA模型的整体性能最好。下图是各模型之间的比较。 然而,除了传统的时间序列预测外,在时间序列预测的深度学习领域,近年来,递归神经网络(RNN)和...