时间序列是最流行的数据类型之一。视频,图像,像素,信号,任何有时间成分的东西都可以转化为时间序列。
在本文中将在分析时间序列时使用的常见的处理方法。这些方法可以帮助你获得有关数据本身的见解,为建模做好准备并且可以得出一些初步结论。
我们将分析一个气象时间序列。利用逐时ERA5 Land[1]研究2023年西伯利亚东南部点的2 m气温、总降水量、地表净太阳辐射和地表压力。
首先我们导入相关的库:
import pandas as pdimport seaborn as snsimport numpy as npimport matplotlib.pyplot as pltimport xarray as xrimport statsmodels.api as smfrom statsmodels.graphics.tsaplots import plot_acf, plot_pacffrom scipy import stats
matplotlib是可以设置不同的风格的,这里我们使用 opinionated和 ambivalent来进行风格的设置
from ambivalent import STYLESimport opinionatedplt.style.use(STYLES['ambivalent'])plt.style.use("dark_background")
折线图
要观察一个时间序列,最简单的方法就是折线图。为了处理地理空间多维数组,我们将使用xarray库。
data = xr.open_dataset('Medium_data.nc')data
现在我们需要针对所选位置对数据进行切片,并将其转换为pandas DF,并创建一个线形图:
df = data.sel(latitude=52.53, longitude=101.63, method='pad').to_pandas.drop(['latitude', 'longitude'], axis=1)fig, ax = plt.subplots(ncols = 2, nrows = 2, figsize=(16,9))df['t2m'].plot(ax=ax[0,0])ax[0,0].set_title('Air Temperature')df['ssr'].plot(ax=ax[0,1])ax[0,1].set_title('Surface Net Solar Radiation')df['sp'].plot(ax=ax[1,0])ax[1,0].set_title('Surface Pressure')df['tp'].plot(ax=ax[1,1])ax[1,1].set_title('Total Precipitation')plt.tight_layoutplt.show
从线形图中可以清楚地看出,所有四个时间序列都有不同的特征,下面让我们使用数学工具来研究它们。
分解与平稳性
任何时间序列都有三个重要属性需要考虑:
1、趋势是时间序列中平稳的长期变化;
2、季节性指的是一个时间序列的平均值有规律的周期性变化;
3、噪声(残差),它是均值为零的信号的随机成分。
为了分别得到这些成分,可以使用经典分解(加性或乘法)。该操作是通过应用卷积滤波器产生的,因此每个时间序列分量被定义为
或者
这里的y为时间序列的值,S为季节分量,T为趋势分量,n为噪声。
为了进行分解,除了选择分解类之外,还需要设置一个季节周期(例如,p=1表示年度数据,p=4表示季度数据,p=12表示月度数据等)。
前面提到的经典分解是一种非常幼稚和简单的方法。它具有明显的局限性,如线性,无法捕捉动态季节性和难以处理时间序列中的非平稳性,但是就本文作为演示,这种方法是可以的。
为了进行经典的分解,我们将使用statmodels库中的seasonal_decomposition函数,周期等于24,因为我们处理的是每小时的数据:
vars = {'t2m': 'Air Temperature', 'tp': 'Total Precipitation', 'sp': 'Surface Pressure', 'ssr': 'Surface Net Solar Radiation'}for var in df.columns:result = sm.tsa.seasonal_decompose(df[var], model='additive', period = 24)results_df = pd.DataFrame({'trend': result.trend, 'seasonal': result.seasonal, 'resid': result.resid, 'observed': result.observed})fig, ax = plt.subplots(ncols = 2, nrows = 2,figsize=(16,9))ax[0,0].plot(df.index, results_df.trend)ax[0,0].set_title('Trend')ax[0,0].set_ylabel('Value')ax[0,1].plot(df.index, results_df.seasonal)ax[0,1].set_title('Seasonal')ax[1,0].plot(df.index, results_df.resid)ax[1,0].set_title('Residual')ax[1,0].set_ylabel('Value')ax[1,0].set_xlabel('time')ax[1,1].plot(df.index, results_df.observed)ax[1,1].set_title('Observed')ax[1,1].set_xlabel('time')opinionated.set_title_and_suptitle(vars[var], f"Dickey-Fuller test: {round(sm.tsa.stattools.adfuller(df[var])[1],5)}", position_title=[0.45,1],position_sub_title=[0.95, 1])plt.tight_layoutplt.savefig(f'Seasonal_{var}.png')plt.show
你可以看到,对于所有的变量,季节性因素看起来都很混乱。这是因为我们分析的是每小时的数据,这些季节变化是在一天内观察到的,并没有直接的关联。所以我们可以尝试将数据重新采样到每日间隔,并在一天的时间段内进行分解。
df_d = df.resample('1d').mean
请注意到图表右上角的Dickey-Fuller(ADF) 。这是一个平稳性测试,使用的是adfuller函数。对于时间序列,平稳性意味着时间序列的属性不随时间变化。我们这里说的属性是指:方差、季节性、趋势和自相关性。
Dickey-Fuller (ADF)检验的流程是:提出时间序列是非平稳的零假设。然后我们选择显著性水平α,通常为5%。α是错误地拒绝零假设的概率,而零假设实际上是正确的。所以在我们的例子中,α=5%有5%的风险得出时间序列是平稳的,而实际上不是。
测试结果会给出一个p值。如果小于0.05,我们可以拒绝零假设。可以看到,根据ADF检验所有4个变量都是平稳的。
一般情况下要应用时间序列预测模型,如ARIMA等,平稳性是必须的。这也是我们选择气象数据的原因,因为它们在大多数情况下是平稳的,所以才会出现在不同的时间序列相关的学习材料中进行分析。
分布
在得出所有时间序列都是平稳的结论之后,让我们来看看它们是如何分布的。我们将使用著名的seaborn库及其函数pairplot,该函数允许使用历史和kde创建信息丰富的图。
ax = sns.pairplot(df, diag_kind='kde')ax.map_upper(sns.histplot, bins=20)ax.map_lower(sns.kdeplot, levels=5, color='.1')plt.show
让我们考虑t2m(1行1列)的示例。在分析核密度估计(kde)图时,很明显这个变量的分布是多模态的,这意味着它由2个或更多的“钟形”组成。在本文的后续阶段中,我们将尝试将变量转换为类似于正态分布的形式。
第一列和第一行中的其他图是相同的,但它们的可视化方式不同。这些是散点图,可以确定两个变量是如何相关的。所以一个点的颜色越深,或者离中心圆越近,这个区域内点的密度就越高。
Box-Cox转换
由于我们已经发现气温时间序列是平稳的,但不是正态分布,所以可以尝试使用Box-Cox变换来修复它。这里使用scipy包及其函数boxcox。
df_d['t2m_box'], _ = stats.boxcox(df_d.t2m)fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(15,7))sns.histplot(df_d.t2m_box, kde=True, ax=ax[0])sns.histplot(df_d.t2m, kde=True, ax=ax[1])
图的左边部分是经过BoxCox变换后的时间序列分布,可以看到,它还远远不能被称为“正态”分布。但是如果我们把它和右边的比较,我们可以说的确更接近于“正态”。
我们还可以做的另一件事是确保执行的转换是有用的,可以创建一个概率图:绘制理论分布的分位数(在我们的情况下是正态)与经验数据的样本(即我们考虑的时间序列)。越靠近白线的点越好。
fig = plt.figureax1 = fig.add_subplot(211)prob = stats.probplot(df_d.t2m, dist=stats.norm, plot=ax1)ax1.get_lines[1].set_color('w')ax1.get_lines[0].set_color('#8dd3c7')ax1.set_title('Probplot against normal distribution')ax2 = fig.add_subplot(212)prob = stats.probplot(df_d.t2m_box, dist=stats.norm, plot=ax2)ax2.get_lines[1].set_color('w')ax2.get_lines[0].set_color('#8dd3c7')ax2.set_title('Probplot after Box-Cox transformation')plt.tight_layoutfig = plt.figureax1 = fig.add_subplot(211)prob = stats.probplot(df_d.t2m, dist=stats.norm, plot=ax1)ax1.set_title('Probplot against normal distribution')ax2 = fig.add_subplot(212)prob = stats.probplot(df_d.t2m_box, dist=stats.norm, plot=ax2)ax2.set_title('Probplot after Box-Cox transformation')plt.tight_layout
这个概率图还有一个更常见的名字QQ图
另外需要说明的是,如果打算使用转换后的时间序列进行ML建模,不要忘记应用反向BoxCox转换,这样才能的到最终的正确结果。
自相关
时间序列分析的最后一步是自相关。自相关函数(ACF)估计时间序列和滞后版本之间的相关性。或者换句话说,时间序列的特定值如何与不同时间间隔内的其他先验值相关联。绘制部分自相关函数(PACF)也可能有所帮助,它与自相关相同,但删除了较短滞后的相关性。它估计某个时间戳内值之间的相关性,但控制其他值的影响。
for var in df.columns[:-1]:fig, (ax1, ax2) = plt.subplots(2,1,figsize=(10,8))plot_acf(df_d.t2m, ax = ax1)plot_pacf(df_d.t2m, ax = ax2)opinionated.set_title_and_suptitle(vars[var], '',position_title=[0.38,1],position_sub_title=[0.95, 1])plt.tight_layoutplt.show
可以看到在地表压力时间序列中有一个非常强的部分自相关,有1天的滞后。然后明显减弱,3天后几乎消失。这样的分析可以帮助我们更好地理解正在处理的数据的性质,从而得出更有意义的结论。
总结
以上就是在处理时间序列时进行探索性数据分析时常用的方法,通过上面这些方法可以很好的了解到时间序列的信息,为我们后面的建模提供数据的支持。
本文数据:
[1] Mu?oz Sabater, J. (2019): ERA5-Land hourly data from 1950 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). DOI: 10.24381/cds.e2161bac