Compartilhamento de tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

       1. Média Móvel

É o método de suavização de dados mais simples para suavizar dados de séries temporais. Reduz o ruído calculando a média dos pontos de dados dentro de uma determinada janela, preservando a tendência dos dados.pacote de média móvelInclui média móvel simples (SMA)ou índiceMédia Móvel Ponderada (EMA).

        plt.rcParams['font.sans-serif'] = ['SimHei']，在整篇文章的代码中绘制图的时候加入此句代码，可以解决下图中文字标题显示不出的问题。

     1.1 Média Móvel Simples (SMA)：

É um método de suavização de dados calculando a média dos pontos de dados dentro de uma janela fixa. O tamanho da janela determina o grau de suavização. Uma janela maior resultará numa curva mais suave, mas retardará a resposta às tendências, enquanto uma janela menor será mais sensível às flutuações seguintes nos dados.

​

Compreensão do código acima: O gráfico de linhas azuis representa a matriz gerada no código. Como calcular a média móvel simples:

As alterações na janela alterarão o efeito de suavização e o grau de suavização em vermelho. Quando o tamanho da janela é 3, pode-se observar que a parte difícil de suavizar desapareceu e a curva aproximada torna-se suave. No entanto, quando o tamanho da janela continua a aumentar, uma pequena linha reta é finalmente obtida. A curva vermelha é a curva de previsão.

Deve-se notar que ao instalar pacotes seaborn e matplotlib, é difícil instalar usando >python -m pip install matplotlib ou pip install matplotlib https://pypi.tuna.tsinghua.edu.cn/simple ou pin install matplotlib. seguinte prompt aparece no terminal:

Não é possível descompactar o arquivo C:UsersHONORAppDataLocalTemppip-unpack-4qkfflipsimple.html (baixado de C:UsersHONORAppDataLocalTemppip-req-build-s6_3j05c, content-type: text/html); não é possível detectar o formato do arquivo
ERRO: Não é possível determinar o formato do arquivo de C:UsersHONORAppDataLocalTemppip-req-build-s6_3j05c

Use a seguinte instrução para instalar com sucesso:

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn matplotlib

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn seaborn

1.2 Média Móvel Ponderada Exponencial, EWMA：

A média móvel ponderada exponencialmente é um método de suavização de dados aplicando pesos exponenciais aos pontos de dados.para issoOs pontos de dados recentes recebem maior peso, e paraOs pontos de dados mais antigos recebem peso menor .Isto torna a EMA maisIdeal para rastrear mudanças rápidasOs dados.

​

Compreensão do código de média móvel ponderada exponencialmente: importe o pacote correspondente, gere a matriz correspondente (ou seja, polilinha azul) e defina o fator de suavização. Quando o fator de suavização é menor, o efeito de suavização é mais forte. vice-versa. Então, qual é o algoritmo da média móvel exponencialmente ponderada?

A média móvel ponderada do período t é usada como o valor previsto do período t+1.

​

2. Suavização Exponencial

A suavização exponencial é um método comumente usado de suavização e previsão de dados de séries temporais para processar dados com tendências e sazonalidade. Ele captura as tendências de mudança dos dados atribuindo pesos diferentes aos pontos de dados históricos e atribuindo pesos mais altos aos dados mais recentes. A suavização exponencial é frequentemente usada para gerar previsões, especialmente quando é necessário fazer previsões para momentos futuros.

As principais características da suavização exponencial incluem:

1. suavização ponderada : a suavização exponencial usa pesos exponenciais para suavizar os dados. Os pontos de dados mais recentes recebem pesos mais elevados, enquanto os pontos de dados mais antigos recebem pesos mais baixos. Isto significa que é mais sensível aos dados recentes, captando assim melhor as tendências mais recentes nos dados.

2. três formas principais : Existem três formas principais de suavização exponencial: suavização exponencial simples, suavização exponencial dupla e suavização exponencial tripla. Cada formulário é usado para diferentes tipos de dados e padrões.

   • Suavização Exponencial Simples é usada para suavizar dados com tendências e sazonalidade.

   • A suavização exponencial dupla é usada para suavizar dados com tendências, mas sem sazonalidade.

   • A suavização exponencial tripla é usada para suavizar dados que possuem tendência e sazonalidade.

3. Atualização recursiva: a suavização exponencial é um método recursivo que combina resultados suavizados anteriores com novos pontos de dados para produzir resultados suavizados para o próximo momento.

4. Capacidade de prever : a suavização exponencial não é usada apenas para suavizar dados, mas também pode ser usada para gerar previsões para pontos de tempo futuros. Isso o torna útil em áreas como previsão de demanda, previsão de preços de ações e previsão de vendas.

5. aplicabilidade: A suavização exponencial é adequada para dados de série temporal estacionários ou não estacionários e pode lidar bem com tendências, sazonalidade e ruído.

6. caso:

Exibição de resultados:

3. Ajuste polinomial

Ajuste polinomial é um método de suavização de dados e ajuste de curva que usa funções polinomiais para aproximar ou ajustar os dados originais a fim de descrever melhor a tendência ou padrão dos dados. O objetivo do ajuste polinomial é encontrar uma função polinomial que passe pelos pontos de dados fornecidos e se ajuste bem a esses pontos.

A forma geral do ajuste polinomial é a seguinte:

Dentre elas, está a variável independente, é a variável dependente que depende, e é o coeficiente polinomial. Ao ajustar esses coeficientes, você pode fazer com que a função polinomial se ajuste melhor aos dados.

O ajuste polinomial é frequentemente usado nas seguintes situações:

1. suavização de dados: O ajuste polinomial pode ser usado para remover ruídos ou flutuações nos dados para obter uma curva suave.

2. análise de tendências: os ajustes polinomiais podem ser usados ​​para identificar tendências em seus dados, como tendências lineares (polinômios de primeira ordem), tendências quadráticas (polinômios de segunda ordem) ou tendências de ordem superior.

3. Ajuste de curva: O ajuste polinomial pode ser usado para ajustar dados experimentais para obter o melhor ajuste a um modelo teórico ou curva teórica.

4. Interpolação de dados:A interpolação polinomial é um caso especial de ajuste polinomial, que estima valores intermediários usando polinômios entre pontos de dados conhecidos.

O princípio geral do ajuste polinomial é escolher a ordem polinomial apropriada. Uma ordem muito baixa pode não se ajustar bem aos dados, enquanto uma ordem muito alta pode resultar em um ajuste excessivo que é muito sensível às flutuações em novos dados. Portanto, escolher a ordem polinomial apropriada é fundamental. Caso trinomial: