در این مطلب، ویدئو تجزیه سری زمانی در پایتون: تجزیه مؤلفه های فصلی و روند با استفاده از Statsmodels با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:12:54
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,240 –> 00:00:05,279
سلام به همه
2
00:00:05,279 –> 00:00:07,040
امروز من به شما آموزش میدهم که چگونه
3
00:00:07,040 –> 00:00:09,040
سری های زمانی
4
00:00:09,040 –> 00:00:13,519
را به مولفه های فصلی و
5
00:00:14,480 –> 00:00:17,359
6
00:00:17,359 –> 00:00:20,560
روندی تجزیه
7
00:00:20,560 –> 00:00:24,400
کنید.
8
00:00:24,400 –> 00:00:28,480
9
00:00:28,480 –> 00:00:32,720
10
00:00:34,079 –> 00:00:36,960
یک جزء تناوبی
11
00:00:36,960 –> 00:00:37,760
12
00:00:37,760 –> 00:00:41,520
یا یک جزء فصلی است
13
00:00:42,640 –> 00:00:46,399
و در نهایت این تابع در اینجا یا
14
00:00:46,399 –> 00:00:46,960
این
15
00:00:46,960 –> 00:00:50,239
سری زمانی، باقیمانده فرآیند
16
00:00:50,239 –> 00:00:51,199
تجزیه را نشان می
17
00:00:51,199 –> 00:00:54,320
دهد، بنابراین
18
00:00:54,320 –> 00:00:58,320
با کم کردن
19
00:00:58,320 –> 00:01:01,600
مولفه های روند و فصلی
20
00:01:01,600 –> 00:01:05,199
از سری زمانی اصلی، باقیمانده به دست می آید
21
00:01:05,199 –> 00:01:08,240
و در نتیجه به دست می آوریم.
22
00:01:08,240 –> 00:01:13,840
مولفه باقیمانده
23
00:01:16,240 –> 00:01:19,040
قبل از توضیح کد پایتون
24
00:01:19,040 –> 00:01:19,840
باید اشاره
25
00:01:19,840 –> 00:01:23,360
کنم که من یک پست ایجاد کرده ام که به خوبی
26
00:01:23,360 –> 00:01:24,400
27
00:01:24,400 –> 00:01:26,400
همه چیزهایی را که در این ویدیو توضیح خواهم داد خلاصه
28
00:01:26,400 –> 00:01:28,720
29
00:01:28,720 –> 00:01:34,240
30
00:01:35,040 –> 00:01:38,159
31
00:01:38,159 –> 00:01:41,040
می کند. برای تولید این نمودارها استفاده می شود و
32
00:01:41,040 –> 00:01:44,560
در sql این کد را توضیح خواهم داد،
33
00:01:44,560 –> 00:01:47,040
بنابراین اولین قدم پاک کردن شماست
34
00:01:47,040 –> 00:01:48,880
35
00:01:48,880 –> 00:01:52,640
میتوانید این کار را با تایپ کردن reset
36
00:01:52,640 –> 00:01:56,479
و کلیک کردن روی yes یا تایپ کردن بله انجام دهید
37
00:01:56,479 –> 00:01:58,640
و همیشه تمرین خوبی است که
38
00:01:58,640 –> 00:02:01,600
فضای کاری خود را کامل پاک کنید،
39
00:02:01,600 –> 00:02:06,159
اکنون میتوانید فضای کاری خود را بررسی کنید
40
00:02:06,159 –> 00:02:10,160
که فضای نام خالی است.
41
00:02:10,399 –> 00:02:12,800
قدم بعدی این است که
42
00:02:12,800 –> 00:02:13,840
43
00:02:13,840 –> 00:02:16,000
ابتدا کتابخانههای لازم را وارد کنید. برای وارد کردن کلیپ matplot از
44
00:02:16,000 –> 00:02:18,800
این کتابخانه برای رسم
45
00:02:18,800 –> 00:02:22,000
نمودارها در پایتون استفاده می شود. مرحله بعدی
46
00:02:22,000 –> 00:02:23,040
وارد کردن
47
00:02:23,040 –> 00:02:26,560
کتابخانه numpy برای انجام
48
00:02:26,560 –> 00:02:29,680
محاسبات ماتریس ماتریس و برای تعریف
49
00:02:29,680 –> 00:02:32,720
مناطق و بردارها است و در نهایت
50
00:02:32,720 –> 00:02:35,680
از کتابخانه python مدل های آمار استفاده
51
00:02:35,680 –> 00:02:36,959
52
00:02:36,959 –> 00:02:39,360
می کنیم. تجزیه و
53
00:02:39,360 –> 00:02:40,480
به این تابع نیاز خواهیم داشت
54
00:02:40,480 –> 00:02:44,000
تجزیه فصلی
55
00:02:45,360 –> 00:02:47,120
مرحله بعدی البته وارد کردن
56
00:02:47,120 –> 00:02:49,120
این کتابخانه ها است که می توانیم با انتخاب آنها این کتابخانه ها را وارد
57
00:02:49,120 –> 00:02:51,120
کنیم
58
00:02:51,120 –> 00:02:54,480
و با کلیک روی سلول اجرا
59
00:02:54,480 –> 00:02:54,959
60
00:02:54,959 –> 00:02:57,280
مرحله بعدی تعریف پارامترهای سری های زمانی
61
00:02:57,280 –> 00:02:58,000
62
00:02:58,000 –> 00:03:00,159
و توابعی است که خواهد بود. در
63
00:03:00,159 –> 00:03:01,360
این ویدیو
64
00:03:01,360 –> 00:03:03,280
شما مدت زمان کل
65
00:03:03,280 –> 00:03:04,640
100 ثانیه را
66
00:03:04,640 –> 00:03:08,000
با اندازه گام 0.01 در نظر می گیرید
67
00:03:08,000 –> 00:03:10,080
و با استفاده از این پارامترها می خواهیم
68
00:03:10,080 –> 00:03:11,440
69
00:03:11,440 –> 00:03:15,440
یک بردار زمانی که از 0 شروع می شود
70
00:03:15,440 –> 00:03:19,280
و
71
00:03:19,280 –> 00:03:21,440
کل مدت زمان آن برابر با 100
72
00:03:21,440 –> 00:03:23,760
ثانیه با اندازه گام
73
00:03:23,760 –> 00:03:29,120
0.01 است
74
00:03:29,360 –> 00:03:32,480
و اگر این خط کد
75
00:03:32,480 –> 00:03:35,840
را اجرا کنیم بردار زمان خود را به دست خواهیم آورد
76
00:03:35,840 –> 00:03:38,239
مرحله بعدی این است که
77
00:03:38,239 –> 00:03:40,080
سری زمانی واقعی
78
00:03:40,080 –> 00:03:42,400
را تعریف کنیم. فرض میکنیم که سریهای زمانی
79
00:03:42,400 –> 00:03:43,599
80
00:03:43,599 –> 00:03:47,040
شامل مولفه تناوبی است
81
00:03:47,040 –> 00:03:49,120
که یک تابع سینوسی ساده
82
00:03:49,120 –> 00:03:50,480
83
00:03:50,480 –> 00:03:53,040
خواهد بود و از مولفه روند
84
00:03:53,040 –> 00:03:54,959
که با چند جملهای مرتبه دوم نشان داده میشود
85
00:03:54,959 –> 00:03:56,959
که میتوانید
86
00:03:56,959 –> 00:04:01,200
اینجا در این نمایش ببینید
87
00:04:01,200 –> 00:04:04,640
k0 k1 k2 و k3 ثابت هستند
88
00:04:04,640 –> 00:04:07,920
و t زمان است و
89
00:04:07,920 –> 00:04:11,280
امگا برابر است با 2 pi بر t که در آن t
90
00:04:11,280 –> 00:04:12,159
91
00:04:12,159 –> 00:04:15,840
دوره یک تابع سینوسی است،
92
00:04:17,199 –> 00:04:19,918
بنابراین ابتدا دوره را تعریف می
93
00:04:19,918 –> 00:04:20,880
کنیم و
94
00:04:20,880 –> 00:04:24,560
دوره 15 ثانیه را انتخاب می
95
00:04:24,560 –> 00:04:28,000
کنیم سپس یک جزء فصلی یا یک
96
00:04:28,000 –> 00:04:29,680
جزء تناوبی که
97
00:04:29,680 –> 00:04:32,800
برابر با سینوسی است تعریف می کنیم. تابع این
98
00:04:32,800 –> 00:04:34,240
امگا است
99
00:04:34,240 –> 00:04:37,600
و این یک بردار زمانی است
100
00:04:41,040 –> 00:04:44,240
که در ادامه ثابتهای k0 برابر با 2 تعریف میکنیم.
101
00:04:44,240 –> 00:04:44,800
102
00:04:44,800 –> 00:04:48,720
103
00:04:48,720 –> 00:04:51,440
104
00:04:52,800 –> 00:04:55,840
105
00:04:55,840 –> 00:04:58,800
106
00:04:58,800 –> 00:05:00,880
مقدار قبلی سری تناوبی
107
00:05:00,880 –> 00:05:02,960
با k0
108
00:05:02,960 –> 00:05:06,240
در اینجا جزء روند ما
109
00:05:06,240 –> 00:05:10,720
چند جملهای مرتبه دوم است
110
00:05:10,720 –> 00:05:14,720
و در نهایت میتوانیم این دو
111
00:05:14,720 –> 00:05:16,000
مؤلفه را
112
00:05:16,000 –> 00:05:19,039
برای به دست آوردن تابع یا سری زمانی خود اضافه کنیم.
113
00:05:19,039 –> 00:05:21,039
114
00:05:21,039 –> 00:05:23,520
تابع فصلی ترکیب تجزیه واقعی را انجام میدهد.
115
00:05:23,520 –> 00:05:25,520
116
00:05:25,520 –> 00:05:28,880
117
00:05:28,880 –> 00:05:31,759
در صورتی که نام
118
00:05:31,759 –> 00:05:32,479
119
00:05:32,479 –> 00:05:35,680
سری فقط سری است، آرگومان دوم
120
00:05:35,680 –> 00:05:38,960
نوعی از تجزیه است که
121
00:05:38,960 –> 00:05:40,400
میخواهیم انجام
122
00:05:40,400 –> 00:05:42,240
دهیم، میخواهیم تجزیه افزایشی انجام دهیم، به
123
00:05:42,240 –> 00:05:44,000
این معنی
124
00:05:44,000 –> 00:05:47,600
که روند و مؤلفههای فصلی
125
00:05:47,600 –> 00:05:51,120
اضافه میشوند، گزینه دیگری استفاده از
126
00:05:51,120 –> 00:05:53,440
تجزیه ضربی
127
00:05:53,440 –> 00:05:56,560
در جایی است که تجزیه میکنیم. سری زمانی اصلی
128
00:05:56,560 –> 00:05:59,919
به محصولی از
129
00:05:59,919 –> 00:06:02,160
مولفههای روند و فصلی تبدیل میشود، اما
130
00:06:02,160 –> 00:06:03,919
در این ویدیو قرار نیست از این گزینه استفاده کنیم
131
00:06:03,919 –> 00:06:07,120
و سومین
132
00:06:07,120 –> 00:06:08,880
پارامتر شاید مهمترین
133
00:06:08,880 –> 00:06:12,720
پارامتر، دوره زمانی سری زمانی است
134
00:06:12,720 –> 00:06:15,440
که باید توجه ویژهای
135
00:06:15,440 –> 00:06:17,600
به انتخاب مناسب شود. پارامتر
136
00:06:17,600 –> 00:06:19,039
137
00:06:19,039 –> 00:06:22,000
دوره به زبان ساده، پارامتر دوره
138
00:06:22,000 –> 00:06:22,560
باید
139
00:06:22,560 –> 00:06:26,080
برابر با تعداد
140
00:06:26,080 –> 00:06:29,520
d باشد نمونههای زمان مجزا در
141
00:06:29,520 –> 00:06:32,840
یک دوره از مؤلفه فصلی،
142
00:06:32,840 –> 00:06:37,280
اکنون معمولاً
143
00:06:37,280 –> 00:06:39,680
ارزش دوره را پیشینی نمیدانیم، فقط میتوانیم آن را
144
00:06:39,680 –> 00:06:40,880
حدس بزنیم،
145
00:06: