Python时间序列分析

数据：国际原油价格价格2019年以来的日度数据（点值序列）
任务：运用组合预测开展国际原油价格未来一个月的价格走势
相关说明：1.组合预测的权重可以是最优化赋权也可以是非最优赋权；2.单项预测方法不少于3项即可，具体方法不限；3.采集数据划分为训练集和测试集，进一步开展预测。训练集和测试集上的预测效果至少在MAE、RMSE和MAPE三个指标下进行比较；完成后bao chou si liao

可参考用LSTM模型预测原油价格

预测国际原油价格未来一个月的价格走势是一个典型的时间序列预测任务。可以采用以下几种方法来进行组合预测：

单位根检验：单位根检验是一种时间序列分析方法，可以用来检验序列是否具有单位根，即是否具有趋势和周期性。如果序列具有单位根，则可以使用自回归模型（AR）进行预测。

季节性自回归模型（Seasonal AR）：季节性自回归模型是一种带有季节性的时间序列模型，可以用来预测具有季节性的序列。

季节性自回归移动平均模型（Seasonal ARMA）：季节性自回归移动平均模型是一种结合了自回归和移动平均的时间序列模型，可以用来预测具有季节性和随机性的序列。

季节性自回归移动平均模型指数平滑法（Seasonal ARMA-ES）：季节性自回归移动平均模型指数平滑法是一种结合了自回归、移动平均和指数平滑的时间序列模型，可以用来预测具有季节性、随机性

首先，我们可以使用时间序列分析方法来预测国际原油价格的未来走势。这些方法包括自回归（AR）模型、自回归移动平均（ARMA）模型、自回归移动平均指数平滑（ARIMA）模型等。

其次，我们可以使用回归分析方法来预测国际原油价格的未来走势。这些方法包括线性回归、非线性回归等。我们可以使用历史价格作为自变量，考虑其他可能影响国际原油价格的因素作为因变量，来建立回归模型。

此外，我们还可以使用支持向量机（SVM）等机器学习方法来预测国际原油价格的未来走势。

在开展预测之前，我们需要对数据进行预处理，比如对数据进行规范化、缺失值处理等。然后，我们可以将数据划分为训练集和测试集，在训练集上训练模型，然后在测试集上评估模型的效果。我们可以使用不同的评估指标，比如平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）

个人建议先学习这篇实例【LSTM模型预测时间序列（快速上手）】，链接：https://blog.csdn.net/Q_M_X_D_D_/article/details/109366895?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-109366895-blog-125860084.pc_relevant_3mothn_strategy_and_data_recovery&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-109366895-blog-125860084.pc_relevant_3mothn_strategy_and_data_recovery&utm_relevant_index=1

数据你有吗，可以看一下

先要确定数据模型，例如LSTM等等，后面就是计算问题了

Python时间序列分析指南！
借鉴下
https://blog.csdn.net/Datawhale/article/details/119283782