用Python解决大数据预测问题_ARIMA模型模板

1：ARIMA模型的理解

自回归积分滑动平均模型（ARIMA，Autoregressive Integrated Moving Average Model）是一种预测时间序列数据的常用统计模型。ARIMA模型结合了自回归模型（AR）、差分（I）和移动平均模型（MA）的特点，以捕捉时间序列数据的各种特征。

以下是ARIMA模型的三个主要组成部分的介绍：

ARIMA模型

将上述三个部分结合起来，我们得到ARIMA模型，通常表示为ARIMA(p, d, q)，其中：

• p是自回归项的阶数；
• d是差分次数；
• q是移动平均项的阶数。

ARIMA模型可以用于预测未来的时间序列值，也可以用于时间序列数据的分析。在应用ARIMA模型之前，通常需要对数据进行以下步骤：

• 确定数据是否为平稳时间序列，如果不是，需要进行差分；
• 使用ACF（自相关函数）和PACF（偏自相关函数）来确定ARIMA模型的p和q参数；
• 使用模型拟合和评估方法（如AIC、BIC）来选择最佳的模型参数；
• 使用模型进行预测。

ARIMA模型在时间序列分析中非常流行，因为它能够处理多种不同类型的时间序列数据，并且相对容易理解和实现。然而，它也有局限性，比如它假设时间序列数据是线性的，并且没有考虑到季节性因素。对于包含季节性因素的时间序列数据，可以使用SARIMA（季节性ARIMA）模型来进行分析和预测。

2：用Python通过构建ARIMA模型实现大数据预测的示例模板

导入所需的库：pandas用于数据处理，numpy用于数值计算，adfuller和ARIMA来自statsmodels库用于时间序列分析，matplotlib.pyplot用于绘图。

import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller
from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt

创建一个从2023年1月1日到2024年1月1日的月度时间序列数据集。生成随机的销售数据作为时间序列值。将日期列设置为DataFrame的索引，并将销售数据存储在变量ts中。

# 创建一个简单的时间序列数据集
date_rng = pd.date_range(start='1/1/2023', end='1/1/2024')
data = pd.DataFrame(date_rng, columns=['date'])
data['sales'] = np.random.randint(100, 1000, size=(len(date_rng)))
# 将日期列设置为索引
data.set_index('date', inplace=True)
ts = data['sales']  # 假设时间序列数据在列'sales'中

构建数据如下：

Step1：检查数据是否平稳

再定义一个函数check_stationarity来执行单位根测试（ADF测试），以检查时间序列是否平稳。打印测试统计量和p值，并根据p值判断序列是否平稳。

# 步骤1: 检查数据是否平稳
def check_stationarity(timeseries):
    result = adfuller(timeseries, autolag='AIC')
    print('ADF 统计量: %f' % result[0])
    print('p值: %f' % result[1])
    print('不同置信水平下的临界值:')
    for key, value in result[4].items():
        print('\t%s: %.3f' % (key, value))
    if result[1] <= 0.05:
        print("时间序列是平稳的")
    else:
        print("时间序列是非平稳的")

check_stationarity(ts)

结果如下：

以下是对这段代码的详细解释：

def check_stationarity(timeseries):

定义一个函数 check_stationarity，它接受一个参数 timeseries，这是一个 pandas Series 对象，代表时间序列数据。

    result = adfuller(timeseries, autolag='AIC')

调用 adfuller 函数，它是来自 statsmodels 库的一个函数，用于执行 Augmented Dickey-Fuller (ADF) 测试。ADF 测试是一种单位根测试，用于检测时间序列是否具有单位根，从而判断时间序列是否平稳。

timeseries 是要测试的时间序列数据。

autolag='AIC' 表示自动选择滞后长度，基于赤池信息量准则（Akaike Information Criterion，AIC）。

    print('ADF 统计量: %f' % result[0])

打印 ADF 统计量，它是 ADF 测试的主要结果之一，用于判断时间序列的平稳性。

    print('p值: %f' % result[1])

打印 p 值，这是 ADF 测试的另一个关键结果。p 值用于确定 ADF 统计量的显著性。如果 p 值小于或等于 0.05，通常认为时间序列是平稳的。

 print('不同置信水平下的临界值:')
    for key, value in result[4].items():
        print('\t%s: %.3f' % (key, value))

打印临界值，这些值与不同的显著性水平相对应（例如 1%，5%，10%）。这些临界值用于与 ADF 统计量比较，以判断时间序列是否平稳。循环遍历 result[4]，它是一个字典，包含了不同置信水平下的临界值。

 if result[1] <= 0.05:
        print("时间序列是平稳的")
    else:
        print("时间序列是非平稳的")

根据计算出的 p 值，判断时间序列是否平稳。如果 p 值小于或等于 0.05，则打印 “时间序列是平稳的”，表示时间序列是平稳的；否则，打印 “时间序列是非平稳的”，表示时间序列是非平稳的。

以上就是检验平稳性的详细代码解释。

然后如果时间序列非平稳，需要进行差分。

# 如果时间序列非平稳，我们需要进行差分
# 这里我们假设差分次数为1
ts_diff = ts.diff().dropna()

# 再次检查差分后的序列是否平稳
check_stationarity(ts_diff)

Step2：使用ACF和PACF来确定ARIMA模型的p和q参数

# 步骤2: 使用ACF和PACF来确定ARIMA模型的p和q参数
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 绘制ACF和PACF图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
plot_acf(ts_diff, lags=20, ax=ax1)
plot_pacf(ts_diff, lags=20, ax=ax2)
plt.show()

# 根据ACF和PACF图，我们可以尝试不同的p和q值

结果图表如下：

根据ACF和PACF图确定ARIMA模型参数p和q的步骤如下：

确定参数p（自回归项的阶数）

1. 绘制ACF图：

   • 对原始时间序列进行差分，使其变为平稳序列。
   • 绘制差分后的时间序列的ACF图。

2. 寻找截断点：

   • ACF图在k=0处开始，随着k的增加，自相关系数会逐渐下降。
   • 截断点是ACF图第一次从1下降到0的点，或者接近0的点。
   • 截断点通常位于k=p处，其中p是自回归项的阶数。

3. 估计参数p：

   • 如果ACF在k=p处开始下降到0，则可以估计p的值为截断点处的k值。
   • 例如，如果ACF在k=4处开始下降到0，则可以估计p=4。

确定参数q（移动平均项的阶数）

1. 绘制PACF图：

   • 对原始时间序列进行差分，使其变为平稳序列。
   • 绘制差分后的时间序列的PACF图。

2. 寻找截断点：

   • PACF图在k=0处开始，随着k的增加，偏自相关系数会逐渐下降。
   • 截断点是PACF图第一次从1下降到0的点，或者接近0的点。
   • 截断点通常位于k=q处，其中q是移动平均项的阶数。

3. 估计参数q：

   • 如果PACF在k=q处开始下降到0，则可以估计q的值为截断点处的k值。
   • 例如，如果PACF在k=2处开始下降到0，则可以估计q=2。

通过上述步骤，我们可以根据截断点确定ARIMA模型的参数p和q。需要注意的是，这只是一个大致的指导原则，实际应用中可能需要根据数据的具体情况来调整参数p和q。此外，参数的选择也可能受到其他因素的影响，如数据的季节性或周期性特征。

Step3：构建ARIMA模型

# 假设我们选择了p=2和q=2

# 步骤3: 使用模型拟合和评估方法来选择最佳的模型参数
# 构建ARIMA模型
model = ARIMA(ts, order=(2, 1, 2))
model_fit = model.fit()

# 输出模型摘要信息
print(model_fit.summary())

得到如下的模型摘要信息：

# 构建ARIMA模型
model_fit = model.fit()
# 预测未来10个时间点的值
forecast = model_fit.forecast(steps=10)
forecast

得到如下ARIMA时间序列模型的预测结果：

以上就是通过Python通过构建模拟时间序列数据，再求ARIMA(p, d, q)的三个参数p，d，q的值，接下来检测平稳性求差分阶数d值，再通过绘制ACF和PACF图确认p值和q值，最后建立ARIMA模型预测求解。