《数据挖掘：实用案例分析》——2.4时序模式

2.4 时序模式

　　我们经常会碰到这样的问题：

　　1）下个月的商品销量、销售额或库存量是多少？　　2）明天广州市的最高用电负荷是多少？

2.4.1 什么是时序模式

　　时序模式：描述基于时间或其他序列的经常发生的规律或趋势，并对其建模。

　　与回归一样，它也用已知的数据预测未来的值，但这些数据的区别是变量所处时间的不同。序列模式将关联模式和时间序列模式结合起来，重点考虑数据之间在时间维度上的关联性。时序模式包含时间序列分析和序列发现。

2.4.2 时间序列的组合成分

　　时间序列的变化主要受到长期趋势、季节变动、周期变动和不规则变动这四个因素的影响。其中：

2.4.3 时间序列的组合模型

　　时间序列y可以表示为四个因素的函数，即：

　　时间序列分解的方法有很多，较常用的模型有加法模型和乘法模型。

　　1．加法模型

　　假定时间序列是基于4种成分相加而成的。长期趋势并不影响季节变动。若以y表示时间序列，则加法模型为：

　　2．乘法模型

　　假定时间序列是基于4种成分相乘而成的。假定季节变动与循环变动为长期趋势的函数。该模型的方程式为：

　　乘法模型分解的基本步骤是：

　　1）运用移动平均法剔除长期趋势和周期变化，得到序列TC。然后再用按月（季）平均法求出季节指数S。　　2）作散点图，选择适合的曲线模型拟合序列的长期趋势，得到长期趋势T。　　3）计算周期因素C。用序列TC除以T即可得到周期变动因素C。　　4）将时间序列的T、S、C分解出来后，剩余的即为不规则变动，即：

2.4.4 时序算法

　　常用时序算法及适应范围见表2-4。

相关资源：基于数据挖掘的金融时序频繁模式的快速发现