В области экономики (я думаю) у нас есть ARIMA и GARCH для регулярно разнесенных временных рядов и Пуассон, Хоукс для моделирования точечных процессов, так как насчет попыток моделирования нерегулярно (неравномерно) разнесенных временных рядов - есть (по крайней мере) какие-либо общие практики ?
(Если у вас есть знания в этой теме, вы также можете расширить соответствующую статью вики .)
Редакция (о пропущенных значениях и нерегулярных временных рядах):
Ответ на комментарий @Lucas Reis. Если промежутки между измерениями или переменными реализаций разнесены из-за (например) процесса Пуассона, для такого рода регуляризации не так много места, но существует простая процедура: t(i)
это i-й индекс времени переменной x (i-й момент времени реализации x), затем определяем промежутки между временами измерений как g(i)=t(i)-t(i-1)
, затем мы дискретизируем, g(i)
используя константу c
, dg(i)=floor(g(i)/c
и создаем новый временной ряд с числом пустых значений между старыми наблюдениями из исходного временного ряда i
и i+1
равным dg (i), но проблема в том, что это Процедура может легко получить временные ряды с количеством пропущенных данных, намного превышающим количество наблюдений, поэтому разумная оценка значений отсутствующих наблюдений может быть невозможной и слишком большойc
удалить "временную структуру / временную зависимость и т. д." анализируемой проблемы (крайний случай задается тем, c>=max(floor(g(i)/c))
что просто сворачивают нерегулярно разнесенные временные ряды в регулярно разнесенные
Edition2 (просто для удовольствия): изображение учитывает пропущенные значения в нерегулярно расположенных временных рядах или даже в случае точечного процесса.
t(i)
- время x[t(i)],x[t(i+1)],x[t(i+2)]...
и t(j+1)-t(j)
не постоянно. Данные собираются в распределенном или асинхронном имении.