📚旁征博引

气候模型

🎯要点

1. 宏观能耗场景模型参数化输入数据，分析可视化输出结果，使用场景时间序列数据模型及定量和定性指标
2. 使用线图和箱线图、饼图、散点图、堆积条形图、桑基图等可视化模型输出结果
3. 根据气体排放过程得出其时间序列关系，使用推断模型中计算工具量化气体排放量
4. 推断模型中计算工具使用的数学工具是恒定比率、时间比率、分位数滚动窗口、均方根、线性插补等

🍪语言内容分比

pie title 语言分比
 "Python":90
 "C":20

pie title 内容分比
 "推断模型":90
 "物理学":40
 "数学":40
 "统计学：排放预测":20
 "化学":40
 "算法：恒定比率、最新时间比率、时间相关比率、分位数滚动窗口":30
 "气体:二氧化碳、甲烷、氟化气体":50
 "大气环境、温室效应":20
 "图形学：数据可视化":20
 "数据科学：时间序列":20

✂️梗概

🍇Python时间序列分析

时间序列数学模型

时间序列模型是假设多个时间序列或时间序列之间存在关系的模型。简单回归模型就是一个例子：

$$ y(t)=x(t) \beta+\varepsilon(t)\qquad(1) $$

其中 $y(t)=\left\{y_t ; t=0, \pm 1, \pm 2, \ldots\right\}$ 是一个序列，以时间下标 $t$ 为索引，它是可观测信号序列 $x(t)=\left\{x_t\right\}$和不可观测，独立且同分布的随机变量的白噪声序列 $\varepsilon(t)=\left\{\varepsilon_t\right\}$ 的组合。

一种更通用的模型，我们称之为一般时间回归模型，它假设一种关系，其中包含任意数量的 $x(t)、y(t)$ 和 $\varepsilon(t)$ 的连续元素。该模型可以由方程表示

$$ \sum_{i=0}^p \alpha_i y(t-i)=\sum_{i=0}^k \beta_i x(t-i)+\sum_{i=0}^q \mu_i \varepsilon(t-i)\qquad(2) $$

通常认为 $\alpha_0=1$ 是理所当然的。 左侧前导系数的归一化将 $y(t)$ 标识为输出序列。方程中的任何和都可以是无限的，但如果模型要可行，则系数序列 $\left\{\alpha_i\right\},\left\{\beta_i\right\}$ 和 $\left\{\mu_i\right\}$ 只能依赖于有限数量的参数。

虽然以（2）的形式写出一般模型很方便，但也通常用以下方程表示