回顾 我们之前做了什么： 我们观察到时间序列的 基本成分 有 Trend, Seasonal, Residual，并由此发展了 滑动窗口 方法和 STL 分解； 我们观察到有的时间序列具有 自相关性，建立了 AR 模型，并为此发展了 ACF/PACF 试验，引入了 平稳性，进行了 ADF 检验 和

模型 ARIMA 在自回归模型和滑动窗口的基础上，我们引入 ARIMA(p, d, q)： AR：自回归 I：差分 MA：滑动平均 p: 自回归项数 d: 平稳化序列所需的差分次数 q: 滑动平均项数 SARIMA 引入 Seasonal 参量 s: 季节周期长度 此后，模型结构可记作 SARIMA

本节涉及的概念我们大多熟悉，故不阐述原理，只记录使用sklearn进行线性回归和多项式回归的操作 一元线性回归 from sklearn.linear_model import LinearRegression x = np.array([1, 2, 3, 4]) y = np.array([2,

电磁学希望大家掌握场的规律和场和物质的相互作用，我们仅涉及分静电场、稳恒磁场、电磁感应、Maxwell 四部分。 笔者将以 粗体 标注高中物理未曾接触过的概念，以 斜体 标注本课程不涉及的概念。 Slides 提供的例题和认为需要掌握的练习会使用 e.g. 标注。 1.1 库仑定律 电荷守恒定律 静

AR 模型 自回归/Autoregressive model/AR(p) 模型假设当前时刻的值可以表示为过去 p 时刻的线性组合，即{\displaystyle X_{t}=\sum _{i=1}^{p}\varphi _{i}X_{t-i}+\varepsilon _{t}} 我们接下来将阐述 A

Fig.1 对 AirPassengers 数据进行 STL 分解的结果 前置 对于一组时间序列 Y_t，关注到序列的季节周期性，我们便认为它的基本成分包括： 趋势 T_t (Trend)：序列总体而长期的变化特征； 周期性