1

我尝试使用 Holt-Winters 算法预测时间序列。问题是，输出完全错误（此设置中的直线）。

我使用 statsmodels 实现，但不确定“seasonal_periods”参数。起初我尝试了 60*24，因为数据的频率为一分钟，季节性为一天。但是几分钟后我停止了算法，因为我认为运行时间不应该那么长。将参数设置为 365（每年的天数），我得到下图所示的结果。即使使用这个较慢的值，运行时间也是 5-10 分钟。这对于 Holt-Winters 算法是否常见？

这是我的代码：

model = ExponentialSmoothing(train_forecast_data_df, seasonal='mul', seasonal_periods=365).fit()
pred = model.predict(start=test_forecast_data_df.index.min(), end=test_forecast_data_df.index.max())

fig, ax = plt.subplots(1, 1, figsize=(16, 4))
ax.plot(train_forecast_data_df.index, train_forecast_data_df, label='Train')
ax.plot(pred.index, pred, label='Holt-Winters', alpha=0.7, c='r', linestyle='-')
ax.plot(test_forecast_data_df.index, test_forecast_data_df, label='Test', alpha=0.7)

ax.legend(loc='best')

结果在这里。蓝色是训练数据，橙色是测试数据，红色是预测。 时间序列预测

我希望有一个人可以帮助我。

4

1 回答 1

0

从我在你的情节中看到的，你只有五天的数据。如果您正在寻找每日季节性，您可以使用seasonal_periods= # of samples you have per day。这将是您对 1440 的第一次猜测。

我的数据包含 34951 个样本，我的代码如下（不幸的是，是的，运行大约需要一个小时）。
m_h = 8760 fit_yvth = ExponentialSmoothing((yv_trainh),seasonal_periods=m_h,trend='add',seasonal='mul',damped=True).fit() yv_hath = fit_yvth.forecast(len(yv_th))

您可以做的另一件事是重新采样数据以减少处理速度。我使用了 4 年的分钟数据。每小时的数据需要一个小时左右才能完成，每天的数据需要不到一分钟的时间来运行。（将我的数据的seasonal_periods 减少到m_d = 365 和1457 个样本）

使用：train_h = train.resample('H').mean().bfill()

如果您不想直接进入小时，您可以重新采样较小的块，例如 5 分钟将被重新采样，如下所示。

train_5m = train.resample('5M').mean().bfill()

下面是让代码执行此操作后的输出。

于 2019-10-18T16:36:58.407 回答