Pandas 时间序列转换中的EWM

我试图用ARIMA做一个时间序列预测。 所以，作为第一步，我要做一些级数变换

#进行日志转换
dflog=np.log（df）
#取指数加权平均值`在此处输入代码`
df_expwighted_mean=dflog.ewm（span=12）.mean（）
#以移动平均线为例
df_expwighted_mean_diff=dflog-df_expwighted_mean
#差异
df_diff=df_expwighted_mean_diff-df_expwighted_mean_diff.shift（）
#为NaN填充零
df_diff=df_diff.fillna（0）

在使用下面的代码之后，我非常能够回到原来的系列

#采取一些累积措施以消除差异
bdf_expwighted_mean_diff=df_diff.cumsum（）
#添加滚动平均值，因为我们最初减少了它
bdf_log=bdf_expwighted_mean_diff+df_expwighted_mean
#按照我们最初进行对数变换的方式进行求幂运算
bdf=np.exp（bdf_log）

但当我在预测系列中这样做时，问题就来了。 它失败了，因为我没有预测序列的EWM 所以基本上，我想要一些方法来反转指数加权平均值

df_expwighted_mean=dflog.ewm（span=12.mean）（）

---

有什么想法吗？

在时间序列预测中，反转指数加权平均值是没有意义的。指数加权平均值用于平滑时间序列，基本上，您试图从序列中去除噪声，否则会使序列难以预测

例如：让红色系列作为实际数据，蓝色是EWMA系列，绿色是基于下图中EWMA系列的预测系列

一旦使用平滑序列进行预测，反转EWMA将意味着向其添加噪声。由于您存储了原始数据中的噪声数据，因此可以在源数据上使用它。通常，您只需按原样使用EWMA上的预测，即不需要对EWMA进行反转

---

在您的情况下，只需执行

cumsum

和

exp

（反向差分和记录）。

这正是我的问题所在。我想在使用EWM进行预测后返回原始值。如果我只使用对数变换、box-cox变换或任何数学单值变换，我就能够返回。但是这个EWMA，我不能。即使是WMA，我也找到了一些方法。@Johnson Francis，我是说你不能也不应该反向转换。EWMA消除噪音，反之则意味着增加噪音。预测仍然可用，没有EWMA反向。你应该把EWMA看作是清洁而不是变换。