原文链接：http://tecdat.cn/?p=20434
本文从实际角度探讨了季节性单位根。咱们思考一些工夫序列 )，例如路线上的交通流量，
> plot(T,X,type="l")> reg=lm(X~T)> abline(reg,col="red")如果存在趋势，咱们应该将其删除，而后解决残差
> Y=residuals(reg)> acf(Y,lag=36,lwd=3)咱们能够看到这里有一些季节性。第一个策略可能是假如存在季节性单位根，因而咱们思考 Y_t)，咱们尝试找到ARMA模型。思考工夫序列的自相干函数，
> Z=diff(Y,12)> acf(Z,lag=36,lwd=3)或偏自相干函数
第一个图可能倡议MA（1），而第二个图可能倡议AR（1）工夫序列。咱们都尝试。
arimaCoefficients: ma1 intercept -0.2367 -583.7761s.e. 0.0916 254.8805sigma^2 estimated as 8071255: log likelihood = -684.1, aic = 1374.2 能够认为是白噪声（如果您不确定，请尝试 Box-Pierce或Ljung-Box 测试）。
arimaCoefficients: ar1 intercept -0.3214 -583.0943s.e. 0.1112 248.8735sigma^2 estimated as 7842043: log likelihood = -683.07, aic = 1372.15 也能够视为白噪声。到目前为止，咱们有
对于一些白噪声 )。这表明以下的SARIMA构造 )，
arimaCoefficients: ar1 -0.2715s.e. 0.1130sigma^2 estimated as 8412999: log likelihood = -685.62, aic = 1375.25当初，如果咱们认为咱们没有季节性单位根，而在AR构造中只是一个大的自回归系数。让咱们尝试相似
自然而然的猜想是该系数应该（可能）靠近于1。让咱们尝试一下
arimaCoefficients: ar1 sar1 intercept -0.1629 0.9741 -684.9455s.e. 0.1170 0.0115 3064.4040sigma^2 estimated as 8406080: log likelihood = -816.11, aic = 1640.21这与咱们先前（以某种形式）取得的后果具备可比性，因而咱们能够假如该模型是一个乏味的模型。咱们将进一步探讨：第一个系数可能是不重要的。
这两个模型有什么区别？
从（十分）长期的角度来看，模型是齐全不同的：一个模型是安稳的，因而预测将趋向于平均值，而另一个模型则是按节令的，因而置信区间将减少。咱们失去
> pre(model2,600,b=60000)对于安稳的
> prev(model3,600,b=60000)然而，应用这些模型进行的预测仅实用于短期范畴。在这种状况下，这里的预测简直雷同，
> pre(model2,36,b=60000)> pre(model3,36,b=60000)当初，如果咱们回到第二个模型，自回归系数可能被认为是不重要的。如果咱们将其删除怎么样？
Call:seasonal = list(order = c(1, 0, 0)Coefficients: sar1 intercept 0.9662 -696.5661s.e. 0.0134 3182.3017sigma^2 estimated as 8918630: log likelihood = -817.03, aic = 1640.07如果咱们看一下（短期）预测，咱们失去
> pre(model,36,b=32000)有什么区别吗？如果咱们看一下预测后果数字，咱们会失去
数字不同，但差别不大（请留神置信区间的大小）。这能够解释为什么在R中，当咱们在自回归过程时 ，失去一个模型要预计的参数，即便其中不重要，咱们通常也会保留它们来预测。
最受欢迎的见解
1.用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类
2.Python中利用长短期记忆模型LSTM进行工夫序列预测剖析 – 预测电力耗费数据
3.python在Keras中应用LSTM解决序列问题
4.Python中用PyTorch机器学习分类预测银行客户散失模型
5.R语言多元Copula GARCH 模型工夫序列预测
6.在r语言中应用GAM（狭义相加模型）进行电力负荷工夫序列剖析
7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测工夫序列数
8.R语言预计时变VAR模型工夫序列的实证钻研剖析案例
9.用狭义加性模型GAM进行工夫序列剖析