时间序列数据预测（在 delta with shift(1) 上）
Time Series Data Prediction (on delta with shift(1))
我有递增顺序的时间序列数据，如下所示：
**dataset 1**
----------------------
date value
----------------------
date1 10
date2 12
date3 13
date4 15
----------------------
如果我使用标准模型进行预测，我会得到很好的结果，没有任何问题。
我的问题是：我可以使用 shift(1) 获取数据的增量并使用生成的序列进行预测吗？这将具有如下所示的 DELTA 值：
**dataset 2**
----------------------
date value
----------------------
date1 0
date2 2
date3 1
date4 2
----------------------
我把好的数据变成'white noise'了吗？您对此有何建议？
time-series 的增量是 Box-Jenkins Method 的一部分。如果增量不是固定的，那么对它们的进一步分析可以显示趋势和季节性等。当差分不产生白噪声时就是这种情况。
话虽如此，您可能没有必要从头开始开发它。特别是 statsmodels, for example, contain ?AR?MA? models (that is auto-regressive moving-average models, possibly integrative). You might want to check statsmodels.tsa 等库。
我有递增顺序的时间序列数据，如下所示：
**dataset 1**
----------------------
date value
----------------------
date1 10
date2 12
date3 13
date4 15
----------------------
如果我使用标准模型进行预测，我会得到很好的结果，没有任何问题。
我的问题是：我可以使用 shift(1) 获取数据的增量并使用生成的序列进行预测吗？这将具有如下所示的 DELTA 值：
**dataset 2**
----------------------
date value
----------------------
date1 0
date2 2
date3 1
date4 2
----------------------
我把好的数据变成'white noise'了吗？您对此有何建议？
time-series 的增量是 Box-Jenkins Method 的一部分。如果增量不是固定的，那么对它们的进一步分析可以显示趋势和季节性等。当差分不产生白噪声时就是这种情况。
话虽如此，您可能没有必要从头开始开发它。特别是 statsmodels, for example, contain ?AR?MA? models (that is auto-regressive moving-average models, possibly integrative). You might want to check statsmodels.tsa 等库。