时间序列 - 参数校准

介绍

任何统计或机器学习模型都有一些参数，这些参数极大地影响了数据的建模方式。例如，ARIMA 具有 p、d、q 值。这些参数需要确定，以便实际值与建模值之间的误差最小。参数校准被认为是模型拟合中最关键和最耗时的任务。因此，为我们选择最优参数非常重要。

参数校准方法

有多种方法可以校准参数。本节将详细讨论其中一些方法。

试错法

一种常见的模型校准方法是手动校准，您首先可视化时间序列并直观地尝试一些参数值，然后反复更改这些值，直到获得足够好的拟合效果。它需要对我们尝试的模型有很好的理解。对于 ARIMA 模型，手动校准是在自相关图（用于“p”参数）、偏自相关图（用于“q”参数）和 ADF 测试（用于确认时间序列的平稳性并设置“d”参数）的帮助下完成的。我们将在接下来的章节中详细讨论所有这些。

网格搜索

另一种模型校准方法是网格搜索，它本质上意味着您尝试为所有可能的参数组合构建模型，并选择误差最小的模型。这很耗时，因此当要校准的参数数量以及它们取值范围较少时才比较有用，因为这涉及多个嵌套的 for 循环。

遗传算法

遗传算法基于生物学原理，即好的解决方案最终会进化到最“优”的解决方案。它使用突变、交叉和选择等生物学操作最终达到最优解。

有关更多知识，您可以阅读其他参数优化技术，例如贝叶斯优化和群体智能优化。