Univariate, time series models

Ein Modell für den autoregressiven integrierten gleitenden Durchschnitt (ARIMA) ist eine Verallgemeinerung eines Modells für den autoregressiven gleitenden Durchschnitt (ARMA).

Die exponentielle Glättung ist eine Faustregel zum Glätten von Zeitreihendaten mithilfe der exponentiellen Fensterfunktion.

Ein einfaches Modell, das den letzten Wert als Vorhersage für die Zukunft verwendet.

Ein künstliches neuronales Netzwerk (ANN) ist ein Modell, das auf einer Sammlung miteinander verbundener Einheiten oder Knoten basiert, die als künstliche Neuronen bezeichnet werden und die Neuronen in einem biologischen Gehirn grob modellieren.

Prophet ist ein Verfahren zur Prognose von Zeitreihendaten auf der Grundlage eines additiven Modells, bei dem nichtlineare Trends an die jährliche, wöchentliche und tägliche Saisonalität sowie Feiertagseffekte angepasst werden. Es funktioniert am besten mit Zeitreihen, die starke saisonale Effekte haben, und mit historischen Daten aus mehreren Staffeln. Prophet ist robust gegenüber fehlenden Daten und Trendverschiebungen und bewältigt Ausreißer in der Regel gut.

STL ist eine vielseitige und robuste Methode zur Zerlegung von Zeitreihen. STL ist eine Abkürzung für „Seasonal and Trend Decomposition using Loess“, während Loess eine Methode zur Schätzung nichtlinearer Beziehungen ist.

TBATS ist ein Zeitreihenmodell, das für den Umgang mit Daten mit mehreren saisonalen Mustern nützlich ist. TBATS ist eine Abkürzung für die wichtigsten Merkmale des Modells: T: Trigonometrische Saisonalität B: Box-Cox-Transformation A: ARIMA-Fehler T: Trend S: Saisonale Komponenten.

Das Theta-Modell ist eine einfache Prognosemethode, bei der zwei Theta-Linien angepasst werden, die Linien mithilfe einer einfachen exponentiellen Glättung prognostiziert werden und dann die Prognosen aus den beiden Linien kombiniert werden, um die endgültige Prognose zu erstellen.