时间序列问题很常见，如股市、工业生产指标等。
导入所需的Python包：
fromstatsmodels.TSA.apiimportexponentialsmoothing，SimpleExpSmoothing，Holtimport statsmodels.api as sm 1 .朴素的估计y ^ ttitttexp
使用最后一个时间点的值来估计最后一个时间段的值。
DD=NP.asarray(train.count ) y_hat=test.copy ) ) y_hat['naive']=DD[len(DD )-1]
2 .将简单平均历史时刻变量的所有值的平均值作为预测值：
y _ hat _ avg=test.copy (y _ hat _ avg (' avg _ forecast ' )=train ) ' count '.mean ) ) )。
4 .滑动窗的平均值，作为此时的值，使用前面一定大小的时间段的平均值。
或使用权重的滑动窗平均值：
权重的权重可以根据时间设定。 例如，越近的时刻越大。
y _ hat _ avg=test.copy (y _ hat _ avg [ ' moving _ avg _ forecast ' ]=train [ ' count ' ].rolling ) 60.mmm
5 .单纯指数平滑化的当前时刻的值由历史时刻的值决定，但随着时刻的不同指数有所衰减。
were01是平滑参数。
如果时间序列很长，则认为：
fromstatsmodels.TSA.apiimportexponentialsmoothing，SimpleExpSmoothing，holty _ hat _ avg=test.copy (fit2=simp )
主要考虑趋势。
importstatsmodels.apiassmsm.TSA.seasonal _ decompose (train.count ).plot ) result=sm.TSA.stat tools.ad fulllid
这个思想比较简单有效，假设数据遵循两点，
1 .数据呈增加、减少的趋势
2 .数据遵循一个周期的变化。
然后，对残差进行其他方式的拟合，例如进行三次样条曲线。
y _ hat _ avg=test.copy (fit1=exponential smoothing (NP.as array ) train('count ' )、seasonal_periods=7 (fit)
ARIMA(p，d，q )模型：
ARIMA(p, d, q)由三个部分组成。
AR:AR是autoregressive的缩写，表示自回归模型，意味着当前时刻的值等于过去的几个时刻的值的回归——不依赖于其他的解释变量，而只依赖于自己的过去的历史值，因此http://www.Sina . 根据过去最近的p个历史值，将自回归称为p，标记为ar(p )模型。 I(d ):I是integrated的缩写，意味着模型对时间序列进行了差异分化； 由于时间序列分析要求平稳性，不稳定序列需要通过一定的手段变换为平稳序列，一般采用的手段是差分d表示阶数，t时刻值减去t-1时刻值后的新时间序列称为一阶差分序列； 一阶差分序列的一阶差分序列称为二阶差分序列，依此类推； 另外，另一个特殊的差分是季节性差分s，一些时间序列反映一定的周期t，从t时刻的值中减去t-T时刻的值来得到季节性差分序列。 MA(q ):ma是moving average的缩写，表示移动平均模型，意味着当前时刻的值与过去几个时刻的差分的阶数相等的回归。 如果预测误差序列取决于过去最近的q个历史预测误差值，则将阶数称为q，并表示为ma(q )模型。 y _ hat _ avg=test.copy (fit1=sm.TSA.statespace.sa rimax (train.count，order=) 2，1，4 )，seasonal_ 7 ).fit ) ) y _ hat _ avg [ ' s ARIMA ' ]=fit1. predict (start=' 2013-11-1 '，end='2013-12-31 '，dynamma
时间序列分解(Decomposition of Time Series )将时间序列分为季节项、趋势项、剩余项几个部分，与Holt-winters方法类似。
fbprophet的安装依赖于Pystan。
最近开通了公众号，主要共享python的原理和应用、推荐系统、风控等算法相关内容。 感兴趣的伙伴可以在预测误差=模型预测值-真实值上。
公众号相关学习资料将上传至关注，敬请关注。
reference :
分析：时间序列格式； arima知道得很详细； Forecasting at Scale Facebook； Wiki Arima； ARIMA模型的详细信息Fbprophet使用官方网站