[Day2] 時間序列資料轉換方法 - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天

2021 iThome 鐵人賽

DAY 2

0

AI & Data

時間序列分析與預測方法大全系列第 2 篇

[Day2] 時間序列資料轉換方法

13th鐵人賽 2021鐵人賽時間序列

2021-09-17 23:54:15

2557 瀏覽

分享至

昨天講了時間序列的 4 大屬性拆解，今天我們介紹三種時間序列資料的轉換方式，
它的目的是能夠讓隱藏在時序中的規律可以更容易的被觀察。

首先上公式和概念：

Power Transform

公式：
$y'(t) = y(t)^y$
概念：透過改變 trend 次方項，將 non-linear 轉為 linear，使得季節性或其他規律更容易被觀察

Log Transform

公式：
$y'(t) = log(y(t))$
概念：是時間序列最常用的轉換方式。

注意：原始資料不能有 ≤ 0 的值，否則無法轉換；需確定有設定最小值

Box-Cox Transform

公式：
$https://chart.googleapis.com/chart?cht=tx&chl=y_%7Bi%7D%5E%5Clambda%20%20%20%5Cleft%5C%7B%5Cbegin%7Bmatrix%7D%20%20%20%5Cfrac%7By_%7Bi%7D%5E%5Clambda%20-%201%7D%7B%5Clambda%20%7D%20%20%26%20%20if%20%20%5Clambda%20%5Cneq%200%2C%20%5C%5C%20%20%20%20%26%20%20%5C%5C%20%20ln(y_%7Bi%7D)%20%20%26%20%20if%20%5Clambda%20%3D%200.%20%20%5Cend%7Bmatrix%7D%5Cright.$
概念：結合上面兩者的優點，自動選擇合適的 lambda 值對時序資料做轉換。這樣的概念源自於一般資料（非時間序列）會使用 Box-Cox Transform 的原因是，為了讓資料分布更趨於常態。

看完上面一定還是霧煞煞，不知道我在寫什麼ＸＤ
沒關係，接下來我們用程式跑看看，被轉換後的時間序列和他的分佈有什麼變化：

[Day1] 時間序列分析：時間序列資料屬性拆解

[Day3] 經典時間序列預測方法盤點

系列文

時間序列分析與預測方法大全共 13 篇

目錄

RSS系列文訂閱系列文

12 人訂閱

完整目錄

直播研討會

{{ item.subject }}

{{ item.channelVendor }} {{ item.webinarstarted }} |

{{ formatDate(item.duration) }}

直播中

尚未有邦友留言

立即登入留言

參賽組數

1064 組

團體組數

40 組

累計文章數

22195 篇

完賽人數

600 人

15th鐵人賽 16th鐵人賽 13th鐵人賽 14th鐵人賽 12th鐵人賽 11th鐵人賽鐵人賽 2019鐵人賽 javascript 2018鐵人賽 python 2017鐵人賽 windows php c# windows server linux css react vue.js

IT邦幫忙