经管之家App
让优质教育人人可得
立即打开
在电池管理系统中，准确预测电压、温度以及容量的衰减趋势对于保障系统安全和评估使用寿命具有重要意义。由于电池运行过程中产生的时序数据通常呈现非平稳特性，ARIMA（自回归积分滑动平均）模型因其对这类序列的良好建模能力，成为处理结构化电池数据的有效手段之一。通过对充放电循环采集的数据进行差分处理，使其转化为平稳序列，进而构建最优的 ARIMA(p,d,q) 模型。
通过分析自相关函数（ACF）与偏自相关函数（PACF）图初步确定模型阶数，并结合 AIC 准则进一步优化：
| 参数 | 含义 | 常用取值范围 |
|---|---|---|
| p（自回归阶数） | 利用过去值线性组合预测当前值 | 1–3 |
| d（差分阶数） | 使序列平稳所需的差分次数 | 1–2 |
| q（移动平均阶数） | 基于历史误差项调整预测结果 | 1–2 |
以下代码段展示了如何构建一个适用于多数电池电压序列的一阶差分后特征的 ARIMA(2,1,1) 模型。拟合完成后，可通过残差分析验证其是否符合白噪声假设，从而确认模型有效性。
全部版块
我的主页
收藏
from statsmodels.tsa.arima.model import ARIMA
import numpy as np
# 假设battery_voltage为已清洗的电压时序数据
model = ARIMA(battery_voltage, order=(2, 1, 1)) # p=2, d=1, q=1
fitted_model = model.fit()
# 输出模型摘要信息
print(fitted_model.summary())
# 预测未来10个时间点的电压值
forecast = fitted_model.forecast(steps=10)ARIMA（AutoRegressive Integrated Moving Average）是时间序列预测领域中的经典模型，特别适合用于建模和预测非平稳序列。该模型由三个部分组成：自回归（AR）、差分（I）和移动平均（MA），整体表示为 ARIMA(p, d, q)。
下述代码实现了一个包含一阶差分、一阶自回归项和一阶移动平均项的 ARIMA 模型，适用于无季节性但存在趋势的时序数据，例如设备能耗、用户活跃度等。
from statsmodels.tsa.arima.model import ARIMA
# 拟合 ARIMA(1,1,1) 模型
model = ARIMA(series, order=(1, 1, 1))
fitted_model = model.fit()
print(fitted_model.summary())在结构电池系统中，电压、电流、温度等参数随时间变化所形成的时序数据蕴含着丰富的性能信息。深入挖掘其统计特征有助于识别异常行为并监测老化趋势。
通过设定固定长度的滑动窗口，可提取局部均值与标准差序列，增强对动态特性的捕捉能力。窗口大小应根据采样频率合理设定——过小易受噪声干扰，过大则降低响应灵敏度。
import numpy as np
def sliding_stats(data, window_size=50):
mean = [np.mean(data[i:i+window_size]) for i in range(len(data)-window_size)]
std = [np.std(data[i:i+window_size]) for i in range(len(data)-window_size)]
return np.array(mean), np.array(std)构建 ARIMA 模型的前提是时间序列具备平稳性。若原始数据含有趋势或周期性成分，则需通过差分操作消除这些影响因素。
增广迪基-福勒（ADF）检验是一种常用的平稳性检测方法。其原假设为“序列存在单位根（即非平稳）”。当检验得到的 p 值小于显著性水平（如 0.05）时，拒绝原假设，认为序列已平稳。
from statsmodels.tsa.stattools import adfuller
result = adfuller(series)
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')差分阶数 $ d $ 的选取依赖于对差分后序列的 ADF 检验结果与 ACF 图形的综合分析。一般步骤如下：
| 差分阶数 d | 对应场景描述 |
|---|---|
| 0 | 序列本身已经平稳 |
| 1 | 具有一阶线性趋势 |
| 2 | 具有加速变化趋势（较少见） |
理解 ACF 与 PACF 图对于正确识别模型类型至关重要。
ACF 展示了当前值与其滞后值之间的相关性。观察超出置信区间的竖线数量，可以判断哪些滞后阶数具有显著相关性。
PACF 在剔除中间滞后项的影响后，仅保留直接相关关系，主要用于识别 AR 模型的阶数。
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt
fig, ax = plt.subplots(2, 1)
plot_acf(data, ax=ax[0], lags=20)
plot_pacf(data, ax=ax[1], lags=20)
plt.show()上述绘图代码用于展示前 20 个滞后的 ACF 与 PACF 图形。
lags=20ax在时间序列建模过程中，合理选定模型阶数是提升预测精度的关键环节。AIC（赤池信息量准则）与 BIC（贝叶斯信息量准则）通过平衡模型拟合优度与复杂度，为模型定阶提供量化支持。
BIC 相较于 AIC 对复杂模型的惩罚更重，因此在样本量较大时更倾向于选择简洁模型。
from scipy import stats
import numpy as np
z_scores = np.abs(stats.zscore(data))
outliers = np.where(z_scores > 3)| 方法 | 适用场景 | 优点 |
|---|---|---|
| 均值/中位数填充 | 数值型变量，缺失比例较低 | 实现简便，不会引入复杂偏差 |
| KNN 插补 | 样本间存在局部相似性或相关结构 | 利用邻近样本信息，保留数据分布特性 |
from statsmodels.tsa.seasonal import seasonal_decompose
import pandas as pd
# 假设data为时间序列
result = seasonal_decompose(data, model='multiplicative', period=12)
trend = result.trend # 趋势项
seasonal = result.seasonal # 周期项
residual = result.resid # 残差项seasonal_decomposemodelperiod=12import statsmodels.api as sm
result = sm.tsa.seasonal_decompose(series, model='additive', period=12)
seasonal = result.seasonal
trend = result.trend
residual = result.residperiod=12import pmdarima as pm
model = pm.auto_arima(
data,
seasonal=True,
m=12, # 年度季节性周期
start_p=0, start_q=0, # 起始AR/MA阶数
max_p=3, max_q=3, # 最大AR/MA阶数
d=None, # 自动差分
test='adf', # ADF检验确定d
information_criteria='aic' # 模型选择标准
)from statsmodels.stats.diagnostic import acorr_ljungbox
import pandas as pd
# 假设 residuals 为模型残差序列
lb_test = acorr_ljungbox(residuals, lags=10, return_df=True)
print(lb_test.head())import numpy as np
def rmse(y_true, y_pred):
return np.sqrt(np.mean((y_true - y_pred) ** 2))
def mae(y_true, y_pred):
return np.mean(np.abs(y_true - y_pred))
def mape(y_true, y_pred):
return np.mean(np.abs((y_true - y_pred) / y_true)) * 100import numpy as np
from statsmodels.tsa.ar_model import AutoReg
# 模拟数据
np.random.seed(42)
data = np.random.randn(100)
# 遍历阶数计算 AIC/BIC
results = []
for p in range(1, 11):
model = AutoReg(data, lags=p).fit()
results.append({'p': p, 'aic': model.aic, 'bic': model.bic})
best_aic = min(results, key=lambda x: x['aic'])
best_bic = min(results, key=lambda x: x['bic'])lags=paicbic| 准则 | 适用场景 |
|---|---|
| AIC | 以预测为导向，可容忍轻微过拟合 |
| BIC | 以解释性为目标，偏好简约模型 |
上述代码实现了三种评估指标的计算方式：RMSE 利用平方项对较大误差进行放大处理，MAE 保持误差的线性累加特性，而 MAPE 引入相对误差比例，更便于在业务场景中解释和理解。
在滚动预测的实际应用中，模型需要不断接入新数据并动态更新预测输出，因此其鲁棒性表现尤为关键。为检验模型在持续变化环境下的稳定性，采用滑动窗口机制来模拟真实的时间序列推进过程。
通过引入符合正态分布的随机噪声来模拟传感器漂移或数据异常情况，其中 noise_level 参数用于调节扰动强度，从而评估模型对输入数据变异的容忍能力。
import numpy as np
# 在输入序列中注入随机噪声（模拟数据漂移）
def inject_noise(data, noise_level=0.1):
noise = np.random.normal(0, noise_level, size=data.shape)
return data + noise
noisy_input = inject_noise(clean_data, noise_level=0.15)| 模型 | MAE（无噪声） | MAE（噪声注入） | 波动率 |
|---|---|---|---|
| ARIMA | 2.1 | 3.8 | 81% |
| LSTM | 1.7 | 2.3 | 35% |
当前系统架构正逐步向云原生与微服务模式转型。以某金融企业的核心交易系统为例，其已完成从传统单体架构向基于 Kubernetes 的服务网格迁移，并利用 Istio 实现精细化的流量管理。该迁移过程涵盖服务拆分、可观测性升级以及安全策略的下放整合。
在 Go 语言构建的微服务中集成 OpenTelemetry，可大幅提高问题定位与调试效率，实现全链路追踪与指标采集。
// 启用 trace 并导出至 Jaeger
tp, err := stdouttrace.New(stdouttrace.WithPrettyPrint())
if err != nil {
log.Fatal(err)
}
otel.SetTracerProvider(tp)
ctx, span := otel.Tracer("api").Start(context.Background(), "getUser")
defer span.End()
// 业务逻辑...| 技术方向 | 应用场景 | 典型工具链 |
|---|---|---|
| 边缘节点自治 | 工业 IoT 实时控制 | K3s + eBPF |
| AI 驱动的异常检测 | 日志模式识别 | Prometheus + LSTM 模型 |
扫码加好友，拉您进群
