iT邦幫忙

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

[Day2] 時間序列資料轉換方法

  • 分享至 

  • xImage
  •  

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:
    https://chart.googleapis.com/chart?cht=tx&chl=y'(t)%20%3D%20y(t)%5Ey
  • 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:
    https://chart.googleapis.com/chart?cht=tx&chl=y'(t)%20%3D%20log(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:


上一篇
[Day1] 時間序列分析:時間序列資料屬性拆解
下一篇
[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13
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言