当时间序列数据的频率高于季度或月度时，许多预测程序在分析季节性影响方面遇到了障碍。
澳大利亚蒙纳士大学的研究人员在美国统计协会杂志（JASA）上发表了一篇有趣的论文，来处理这种情况 – 可称为“复杂的季节性”。
可下载资源
我更新并修改了他们的一项计算 – 使用每周而不是每日的汽油价格数据。
我从FRED那里抓取了每周汽油价格。然后，我用2000年到2012年的数据建立了时间序列模型。注意，需要进行一些数据清理工作，将价格数据划分为52周。
104周的预测显示在上图中的红色实线上。
它被称为具有复杂季节性模式的预测时间序列，使用指数平滑以及每日天然气价格，分析日常电力需求。
我只是分析天然气价格数据的一部分，因为我还没有每日数据。但是每周数据中识别的季节性模式很有趣，如下所示。
从模型的样本外性能来看，这种“季节性波动”在某些情况下可能会更加突出并且非常重要。
适合于较高频率数据的序列提取的季节性模式，还具有其他特点，例如估计ARMA（自回归移动平均）模型残差的能力。
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
【梯度提升专题】XGBoost、Adaboost、CatBoost预测合集：抗乳腺癌药物优化、信贷风控、比特币应用|附数据代码
Python用CNN – LSTM、ARIMA、Prophet股票价格预测的研究与分析|附数据代码
