Python时间序列处理之ARIMA模型的使用讲解 - 行业资讯 - 肥雀云

<强> ARIMA模型

ARIMA模型的全称是自回归移动平均模型,是用来预测时间序列的一种常用的统计模型,一般记作ARIMA (p d q)。

<强> ARIMA的适应情况

ARIMA模型相对来说比较简单易用。在应用ARIMA模型时,要保证以下几点:

　　<李>时间序列数据是相对稳定的,总体基本不存在一定的上升或者下降趋势,如果不稳定可以通过差分的方式来使其变稳定。　　<李>非线性关系处理不好,只能处理线性关系李　　　　

<>强判断时序数据稳定

基本判断方法:稳定的数据,总体上是没有上升和下降的趋势的,是没有周期性的,方差趋向于一个稳定的值。

<强> ARIMA数学表达

ARIMA (p, q),其中p是数据本身的滞后数,是基于“增大化现实”技术的模型即自回归模型中的参数.d是时间序列数据需要几次差分才能得到稳定的数据q是预测误差的滞后数,是马模型即滑动平均模型中的参数。

) p参数与AR模型

AR模型描述的是当前值与历史值之间的关系,滞后p阶的基于“增大化现实”技术的模型可以表示为:

其中u是常数,等代表误差。

b)问参数与马模型

马模型描述的是当前值与自回归部分的误差累计的关系,滞后问阶的马模型可以表示为:

其中u是常数,等代表误差。

d c)参数与差分

一阶差分:

二阶差分:

d) ARIMA马=AR +

<强> ARIMA模型使用步骤

　　<李>获取时间序列数据李　　<李>观测数据是否为平稳的,否则进行差分,化为平稳的时序数据,确定d 　　<李>通过观察自相关系数ACF与偏自相关系数PACF确定q和p 　　　　

　　<李>得到p d q后使用ARIMA (p d q)进行训练预测李　　　　

<强> Python调用ARIMA

　　　　　　#差分处理　　diff_series=diff_series.diff(1) #一阶　　diff_series2=diff_series.diff(1) #二阶　　# ACF与PACF 　　#从scipy导入包　　从scipy导入数据　　进口statsmodels。api sm 　　#画出acf和pacf 　　sm.graphics.tsa.plot_acf (diff_series) 　　sm.graphics.tsa.plot_pacf (diff_series) 　　# arima模型　　从statsmodels.tsa。arima_model进口ARIMA 　　模型=ARIMA (train_data订单=(p d q),频率=")#频率是频率,根据数据填写　　arima=model.fit() #训练　　打印(arima) 　　pred=arima.predict(开始=??#预测　　　　

<强>总结

以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对的支持。如果你想了解更多相关内容请查看下面相关链接
　　