GRU-ARIMA时间序列预测 GRU和ARIMA模型用于时间序列预测，其中GRU可用于短期和长期预测。使用GRU和ARIMA模型进行时间序列预测，其中GRU可以进行短期预测和长期预测。

介绍了ARIMA模型的算法，实现的一些细节，英文版的。大部分都是数学公式，需要有一定的数学基础才能看明白，我自己看了很久，也搞得不是很明白。我感觉其中有些漏洞，貌似不正确但也说不清出，如果有谁能看懂希望可以交流一下email：liangjianyong1009@163.com

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.

基于keras的ARIMA-LSTM混合模型

ARIMA模型-matlab代码，可以根据自己的实际情况进行参数调节，实现所需要的效果。 ARIMA模型-matlab代码，可以根据自己的实际情况进行参数调节，实现所需要的效果。

ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。

该数据为客流量时间序列数据，用于为一篇博文所使用，展示利用R语言拟合ARIMA模型。

关于ARIMA模型时间序列分析，以及该模型在Python中的相关使用

MATLAB实现ARIMA时间序列预测数据集

分解数据：时间序列稳定化测试方法：测试序列稳定性：看以看到整体的序列并没有到达稳定性要求，要将时间序列转为平稳序列，有如下几种方法：DeflationbyCPILogarithmic（取对数）FirstDifference（一阶差分）SeasonalDifference（季节差分）SeasonalAdjustment这里会尝试取对数、一阶查分、季节差分三种方法，先进行一阶差分，去除增长趋势后检测稳定性：可以看到图形上看上去变稳定了，但p-value的并没有小于0.05。再来看看12阶查分（即季节查分），看看是否稳定：从图形上，比一阶差分更不稳定（虽然季节指标已经出来了），我们再来将一阶查分和季