如何用Python通过ACF自动提取时间序列的峰峰周期值

核心逻辑是定位ACF曲线上排除lag=0初始峰值后的连续显著局部极大值，相邻峰值的滞后步长差即为序列周期。

实现步骤 #

• 计算序列ACF值，设置的最大滞后步长需至少覆盖2倍预估周期长度，保证能捕获至少两个连续周期峰值
• 过滤lag=0位置的恒值峰值（该位置ACF值恒为1，不属于周期相关的有效峰值）
• 用峰值检测算法识别满足高度阈值、最小间距要求的局部极大值，过滤噪声导致的微小假峰
• 取前两个有效峰值对应的滞后步长做差，得到整数周期值

可直接运行的代码实现 #

依赖库：numpy、statsmodels、scipy，可通过pip直接安装。

import numpy as np
from statsmodels.tsa.stattools import acf
from scipy.signal import find_peaks

def get_acf_period(ts, max_lag=300, peak_height_thresh=0.2, min_peak_gap=10):
    """
    从ACF计算结果自动提取峰峰周期
    :param ts: 1维numpy数组格式的输入时间序列
    :param max_lag: ACF计算的最大滞后步长，需大于2倍预估周期
    :param peak_height_thresh: ACF峰值最小高度阈值，用于过滤噪声假峰
    :param min_peak_gap: 两个峰值之间的最小间隔，避免把主峰旁的小波动误判为独立峰值
    :return: 整数周期值、ACF数组、有效峰值对应的lag列表
    """
    # 计算ACF值
    acf_arr = acf(ts, nlags=max_lag, adjusted=False)
    # 跳过lag=0的位置，从lag=1开始检测峰值
    search_range = acf_arr[1:]
    # 检测满足条件的局部峰值
    peaks, _ = find_peaks(search_range, height=peak_height_thresh, distance=min_peak_gap)
    # 还原峰值对应的实际lag值（补回跳过的lag=0偏移）
    valid_peak_lags = peaks + 1

    if len(valid_peak_lags) < 2:
        raise RuntimeError("有效峰值数量不足，请调大max_lag参数、降低peak_height_thresh阈值后重试")
    # 相邻峰值间隔即为周期
    period = valid_peak_lags[1] - valid_peak_lags[0]
    return int(period), acf_arr, valid_peak_lags

参数调整说明 #

• 若检测不到足够峰值：适当调大max_lag保证覆盖至少2个周期，或降低peak_height_thresh阈值适配低自相关性的序列
• 若识别出的周期偏小（误把小波动当峰值）：适当调高peak_height_thresh、增大min_peak_gap参数，过滤噪声干扰
• 针对示例中96步周期的场景，设置max_lag=200、peak_height_thresh=0.2即可稳定识别出正确周期值

内容的提问来源于stack exchange，提问作者Pradya Panyainkaew