时间序列分析预测实战之ARIMA模型

最新推荐文章于 2024-02-17 15:57:10 发布
最新推荐文章于 2024-02-17 15:57:10 发布
阅读量1.8w 收藏 214
点赞数 17
文章标签： 时间序列分析 预测 R语言 ARIMA模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Anna_datahummingbird/article/details/83869907
版权

接着上一章的内容，当数据超过100个，要对数据进行更加精准的预测，该用什么样的方法呢？

这时候ARIMA模型就登场了，全称是自回归差分移动平均模型，使用这个模型建模，具体的操作步骤如下：

1）观察时序的平稳性和随机性；

2）选择具体的模型；

3）拟合模型；

4）根据选定模型进行预测；

5）模型评价；

我将用一个实际的例子分步骤进行详细的讲解。

一、观察时序的平稳性和随机性

这里选择用R语言进行建模，R语言中ARIMA模型在forecast包中，同时还需要下载zoo包

> install.packages("zoo")
> install.packages("forecast") #下载forecast包时，其实同步下载包括xts,tseries等等包
> library(zoo) #注意必须先加载zoo，再加载forecast包
> library(forecast)

这里我选择使用forecast包中自带的wineind数据集来展开实例讲解，共有176个月数据，从1980年1月到1994年8月澳大利亚的全国总销售酒量

> str(wineind) #了解下数据的基本情况，包含值个数
 Time-Series [1:176] from 1980 to 1995: 15136 16733 20016 17708 18019 ...
> head(wineind,10)
       Jan   Feb   Mar   Apr   May   Jun   Jul   Aug   Sep   Oct
1980 15136 16733 20016 17708 18019 19227 22893 23739 21133 22591
> summary(wineind)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  13652   22115   24669   25392   28461   40226

首先绘制历年酒销量的时序图：

观察时序图，可以发现数据具有周期性、长期增长的趋势，并非在某一个常数上下波动，因此主观判断该序列为非平稳时间序列。使用tseries包中的adf.test()函数进行单位根检验，原假设是序列非平稳，备择假设是序列平稳，但检测出来的结果显示P值为0.01<0.05，拒绝原假设，认为该序列平稳，实际上已经知道数据有长期趋势，应该还是当做非平稳数据进行差分处理，并且使用unitrootTest()和adftest()的结果均是P>0.05接受原假设，认为数据非平稳,所以实际中应该多尝试用几个方法得出最终结论。

> adf.test(wineind,k=0)

Augmented Dickey-Fuller Test

data:  wineind
Dickey-Fuller = -11.325, Lag order = 0, p-value = 0.01
alternative hypothesis: stationary

> unitrootTest(wineind) #来自fUnitRoots包，默认数据滞后一期

Title:
 Augmented Dickey-Fuller Test

Test Results:
  PARAMETER:
    Lag Order: 1
  STATISTIC:
    DF: -1.169
  P VALUE:
    t: 0.2208 
    n: 0.4428 
> adfTest(wineind)  #默认数据滞后一期

Title:
 Augmented Dickey-Fuller Test

Test Results:
  PARAMETER:
    Lag Order: 1
  STATISTIC:
    Dickey-Fuller: -1.169
  P VALUE:   0.2421

对非平稳序列进行差分处理，变成平稳序列，这里使用ndiffs()函数判断差分次数

> ndiffs(wineind)
[1] 1

函数给出结果为一阶差分，对数据进行一阶差分操作，观察差分后的数据的自相关图和偏自相关图：

> winediff<-diff(wineind)
> plot.ts(winediff,main="一阶差分后的时序图")
> acf(winediff)  #绘制自相关图
> pacf(winediff)  #绘制偏自相关图

         

一阶差分后的时序图没有明显的线性趋势了，处理还是比较成功，但仍能看到周期为12的周期性，接下来如何去观察自相关图和偏自相关图是个技术活，需要理解两个概念拖尾和截尾：

      拖尾：相关系数单调递减至0

      截尾：相关系数在某个位置突然变成0 (两条蓝色虚线之间可以视作0）

二、模型选择

阶数与模型的选择间的关系详见下图：

自相关图（ACF）偏自相关图（PACF）模型
拖尾P阶截尾AR(p)
q阶截尾拖尾MA(q)
q阶拖尾P阶拖尾ARIMA(p,d,q)
存在明显周期性，且在首次差分后仍然存在明显周期性，P,D,Q指二次差分后图形对应观测参数，m指二次差分次数      ARIMA(p,d,q)(P,D,Q)[m]

对上面的acf图和pacf图进行观察，得到阶数，主要看偏自相关图实际是逐步在减少，可以认为是拖尾，自相关图有两个系数明显异常可以认为是2阶截尾，那么这里就是初步得出是  ARIMA(0,1,2)，因为数据具有周期性，现在按照周期数再进行差分，

进行12阶差分后，acf图和pacf图如上，偏自相关呈现拖尾，自相关属于不明显的1阶截尾，认为整个模型满足ARIMA(0,1,2)(0,1,1)[12]。

三、模型拟合

> pre<-arima(wineind,order=c(0,1,2),seasonal=list(order=c(0,1,1),period=12),method="ML")
> pre

Call:
arima(x = wineind, order = c(0, 1, 2), seasonal = list(order = c(0, 1, 1), period = 12), 
    method = "ML")

Coefficients:
          ma1     ma2     sma1
      -1.0398  0.1474  -0.6532
s.e.   0.0922  0.0918   0.0812

sigma^2 estimated as 5327733:  log likelihood = -1497.95,  aic = 3003.9

拟合ARIMA模型，使用极大似然估计，最后得到模型的AIC值为3003.9，AIC值是判断模型拟合好坏的标准，越小越好。

forecast中的auto.arima（）可以直接筛选出最佳拟合模型，一起来看看拟合结果：

> auto.arima(wineind,trace=T)

 Fitting models using approximations to speed things up...

 ARIMA(2,1,2)(1,1,1)[12]                    : 2794.566
 ARIMA(0,1,0)(0,1,0)[12]                    : 2918.738
 ARIMA(1,1,0)(1,1,0)[12]                    : 2880.387
 ARIMA(0,1,1)(0,1,1)[12]                    : 2789.402
 ARIMA(0,1,1)(1,1,1)[12]                    : 2797.908
 ARIMA(0,1,1)(0,1,0)[12]                    : 2827.788
 ARIMA(0,1,1)(0,1,2)[12]                    : 2788.526
 ARIMA(1,1,1)(0,1,2)[12]                    : 2788.043
 ARIMA(1,1,0)(0,1,2)[12]                    : 2851.21
 ARIMA(1,1,2)(0,1,2)[12]                    : Inf
 ARIMA(0,1,0)(0,1,2)[12]                    : 2885.681
 ARIMA(2,1,2)(0,1,2)[12]                    : Inf
 ARIMA(1,1,1)(1,1,2)[12]                    : 2797.239
 ARIMA(1,1,1)(0,1,1)[12]                    : 2787.4
 ARIMA(2,1,1)(0,1,1)[12]                    : 2789.621
 ARIMA(1,1,0)(0,1,1)[12]                    : 2853.877
 ARIMA(1,1,2)(0,1,1)[12]                    : 2787.155
 ARIMA(2,1,3)(0,1,1)[12]                    : Inf
 ARIMA(1,1,2)(1,1,1)[12]                    : 2799.39
 ARIMA(1,1,2)(0,1,0)[12]                    : Inf
 ARIMA(1,1,2)(1,1,2)[12]                    : 2798.977
 ARIMA(0,1,2)(0,1,1)[12]                    : 2789.574
 ARIMA(2,1,2)(0,1,1)[12]                    : Inf
 ARIMA(1,1,3)(0,1,1)[12]                    : Inf

 Now re-fitting the best model(s) without approximations...

 ARIMA(1,1,2)(0,1,1)[12]                    : 3004.485

 Best model: ARIMA(1,1,2)(0,1,1)[12]                    

Series: wineind 
ARIMA(1,1,2)(0,1,1)[12] 

Coefficients:
         ar1      ma1     ma2     sma1
      0.4299  -1.4673  0.5339  -0.6600
s.e.  0.2984   0.2658  0.2340   0.0799

sigma^2 estimated as 5399312:  log likelihood=-1497.05
AIC=3004.1   AICc=3004.48   BIC=3019.57

系统自动进行计算、筛选，最终选出的最佳模型是： ARIMA(1,1,2)(0,1,1)[12]，对应AIC值为3004.1，注意！这里的最佳模型并不如我们自助拟合的ARIMA(0,1,2)(0,1,1)[12]的效果好！

因此，不是直接图便利就能得出最佳结果，实际操作中一定要耐心多尝试，试出最佳结果。

四、根据选定模型进行预测

预测未来6个月的销售值，设置上下95%的置信区间，得到如下预测值：

> wine<-forecast(pre,h=6,level=c(99.5))
> wine
         Point Forecast   Lo 99.5  Hi 99.5
Sep 1994       25303.28 18824.106 31782.46
Oct 1994       27217.61 20733.298 33701.92
Nov 1994       31928.30 25406.655 38449.94
Dec 1994       37339.48 30780.720 43898.24
Jan 1995       16023.53  9427.859 22619.20
Feb 1995       21405.69 14773.318 28038.07

五、模型评价

1.判断预测误差是否是平均值为零且方差为常数的正态分布；

2.使用box.test()对模型的残差进行独立性检验

> library(ggplot2)
> autoplot(pre$residuals)

残差图如上，要转换成正态分布图，需要构造函数这里参考了https://blog.csdn.net/howardge/article/details/42002733中提供的代码，感谢分享，构造了一个plotForecastErrors（）函数：

plotForecastErrors <- function(forecasterrors) 
{ 
	# make a red histogram of the forecast errors: 
	mysd <- sd(forecasterrors) 
	hist(forecasterrors, col="red", freq=FALSE) 
	# freq=FALSE ensures the area under the histogram = 1
	# generate normally distributed data with mean 0 and standard deviation mysd
	mynorm <- rnorm(10000, mean=0, sd=mysd) 
	myhist <- hist(mynorm, plot=FALSE) 
	# plot the normal curve as a blue line on top of the histogram of forecast errors:
	points(myhist$mids, myhist$density, type="l", col="blue", lwd=2)	
}
> plotForecastErrors(pre$residuals)

得到如上正态分布图，正态性检验通过，接下来进行残差的独立性检验

> acf(pre$residuals)
> Box.test(pre$residuals, lag=1, type="Ljung-Box")

构造残差的自相关图，确定box检验中的lag的系数为1

> Box.test(pre$residuals, lag=1, type="Ljung-Box")

	Box-Ljung test

data:  pre$residuals
X-squared = 0.019042, df = 1, p-value = 0.8902

P值为0.8902>0.05，拒绝原假设，认为残差是独立的。

因此模型的两个检验均通过，模型拟合效果不错。

> autoplot(wine)

最终拟合的图形如上所示，基本符合数据趋势规律，可以进一步结合实际业务进行优化，得出能够经得起实战考验的结果。

ARIMA模型的讲解到此结束，比较复杂需要耐心去钻研下，最好多练习几次才能更好理解和运用，有问题欢迎讨论！

数据蜂鸟
关注
  • 17
    点赞
  • 踩
  • 214
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
【R】auto.arima和Arima的联系和参数解释
nicolechenshuang的博客
08-25 1万+
auto.arima在判断完d，D之后，调用Arima来求解AIC最小的解, 其中最优解的形式为arima(AR, d, MA)(SAR, D, SMA)[period]。 library(forecast) fit fit$arma = c(AR, MA, SAR, SMA, period, d, D)
时间序列预测模型实战案例深度学习华为MTS-Mixers模型
10-27
首先我们要对时间序列概念有一个基本的了解时间序列预测大致分为两种一种是单元时间序列预测另一种是多元时间序列预测单元时间序列预测是指只考虑一个时间序列的预测模型。它通常用于预测单一变量的未来值，例如股票价格、销售量等。在单元时间序列预测中，我们需要对历史数据进行分析，确定趋势、季节性和周期性等因素，并使用这些因素来预测未来的值。常见的单元时间序列预测模型有移动平均模型（MA）自回归模型（AR）自回归移动平均模型（ARMA）差分自回归移动平均模型（ARIMA）后期我也会讲一些最新的预测模型包括Informer，TPA-LSTM,ARIMA,XGBOOST,Holt-winter，移动平均法等等一系列关于时间序列预测的模型,包括深度学习和机器学习方向的模型我都会讲,你可以根据需求选取适合你自己的模型进行预测，如果有需要可以+个关注。
用 Python 进行时间序列分析与预测.pdf
08-17
引言 本文主要利用 Python 进行时间序列分析常见算法的运算和展示。系统得介绍了时间序列分 析常见算法（AR、MA、ARMA、ARIMA、SARIMA、ARCH、GARCH）及其之间的联系与区别。时间 序列分析试图理解过去并预测未来。通过时间序列分析技术，我们可以更好地了解已经发生 的事情，并对未来做出更好，更有利的预测。 基础 时间序列是按时间顺序索引（列出或绘制图形）的一系列数据点。 平稳性是我们关注的重点。平稳的时间序列易于预测，因为我们可以假设未来的统计属性与 当前的统计属性相同或成比例。我们在时间序列分析中使用的大多数模型都假设协方差平稳 性。这意味着这些模型预测的描述性统计量（例如均值，方差和相关性）仅在时间序列稳定 时才是可靠的，否则就无效。 我们一般遇到的大多数时间序列并不是固定不变的。因此，时间序列分析需要我们确定要预 测的序列是否平稳，如果不是，我们必须找到方法对其进行变换以使其平稳（比如差分）。 自相关：本质上，当我们对时间序列建模时，我们将序列分解为三个部分：趋势，季节性/ 周期性和随机性。随机分量称为残差或误差。这只是我们的预测值和观察值之间的差异。序
R语言一元时间序列分析：ARIMA（自动定阶）
m0_69490017的博客
05-08 1145
：包含了1898年到1958年间，每年尼罗河水位的数据集。（如长期趋势，季节趋势）在。R语言提供了自动拟合的。传统时间序列主要针对。深入挖掘剔除趋势性后。
时间序列预测模型：ARIMA模型
m0_64087341的博客
02-17 1073
ARIMA模型，全称为自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model），是一种常用的时间序列预测方法。ARIMA模型通过对时间序列数据的差分化处理，使非平稳时间序列数据变得平稳，进而利用自回归（AR）和滑动平均（MA）模型对其进行建模和预测。ARIMA模型可以表示为ARIMA(p, d, q)，其中：p：自回归项的阶数，表示预测值与过去值之间的关系。d：差分次数，使序列平稳所需的差分次数。
ARIMA时间序列分析：预测餐厅销量 数据集
08-01
销售数据：第一列为日期（2015/1/1-2015/2/6），第二列为销售量。
Python数据分析与机器学习实战课程
02-11
Python数据分析与机器学习实战课程，全套14.17G，仅有免密视频，课程目录： 01 人工智能入门指南 02 科学计算库-numpy 03 数据分析处理库-Pandas 04 可视化库-Matplotlib 05 机器学习入门算法实战-K近邻 06 线性回归算法 07 梯度下降与逻辑回归算法 08 项目实战：信用卡欺诈检测 09 决策树算法 10 随机森林与集成算法 11 项目实战-基于随机森林的气温预测 12 贝叶斯算法 13 项目实战-基于贝叶斯的新闻分类任务 14 无监督聚类-Kmeans算法 15 无监督聚类-DBSCAN算法 16 降维算法-PCA主成分分析 17 降维算法-线性判别分析 18 支持向量机SVM 19 Xgboost提升算法 20 项目实战-Xgboost调参实战 21 探索性数据分析-赛事数据集 22 时间序列ARIMA模型 23 时间序列实战
ARIMA结果分析
what_how_why2020的博客
03-01 6747
分析ARIMA模型的输出结果
时间序列预测模型实战案例(六)深入理解机器学习ARIMA包括差分和相关性分析
Snu77的博客
10-27 3902
ARIMA模型是一种广泛应用的时间序列预测模型，它结合了自回归（AR）和移动平均（MA）的概念，具有较好的灵活性和准确性。本章将介绍一个实战案例，利用Python编程语言实现了ARIMA模型并进行预测。通过这个案例，我们将深入了解ARIMA模型的构建过程和关键步骤，并学习如何使用Python中的相关库来进行模型训练和预测。在案例中，我们将使用一组客服的接线量数据作为实验对象。通过分析这些数据，我们将探索数据的特征和规律，进行平稳性检验和差分操作，然后通过自相关和偏自相关图来选择合适的ARIMA模型参数。
时间序列分析|auto_arima调参
帅帅de三叔
07-10 8771
auto_arima调参
理论加实践，终于把时间序列预测ARIMA模型讲明白了
热门推荐
fengdu78的博客
11-15 9万+
上篇我们一起学习了一些关于时间序列预测的知识。而本文将通过一段时间内电力负荷波动的数据集来实战演示完整的ARIMA模型的建模及参数选择过程，其中包括数据准备、随机性、稳定性检验。本文旨在实...
精品版基于MATLAB R语言 SAS SPSS软件的 数据分析与挖掘实战 完整课程PPT课件 第5章 （共5页） 挖掘建模之离群点检测.pptx
08-07
小结 本章主要根据数据挖掘的应用分类，重点介绍了对应的数据挖掘建模方 法及实现过程。通过对本章的学习，可在以后的数据挖掘过程中采用适 当的算法并按所陈述的步骤实现综合应用，更希望本章能给读者一些启 发，思考如何改进或创造更好的挖掘算法。 归纳起来，数据挖掘技术的基本任务主要体现在分类与预测、聚类、关 联规则、时序模式、离群点检测五个方面。 5.1分类与回归主要介绍了决策树和人工神经网络两个分类模型、回归分 析预测模型及其实现过程； 5.2聚类分析主要介绍了K-Means聚类算法，建立分类方法按照接近程度 对观测对象给出合理的分类并解释类与类之间的区别； 小结 5.3关联规则主要介绍了Apriori算法，以在一个数据集中找出各项之间的 关系； 5.4时序模式从序列的平稳性和非平稳型出发，对平稳时间序列主要介绍 了ARMA模型，对差分平稳序列建立了ARIMA模型，应用这两个模型对 相应的时间序列进行研究，找寻变化发展的规律，预测将来的走势； 5.5离群点检测主要介绍了基于模型和离群点的检测方法，是发现与大部 分其他对象显著不同的对象。 前5章是数据挖掘必备的原理知识，并为本书后面章节的案例理解和实验 操作奠定了理论基础。
精品版基于MATLAB R语言 SAS SPSS软件的 数据分析与挖掘实战 完整课程PPT课件 第5章 （共21页）挖掘建模之聚类分析.pptx
08-07
小结 5.3关联规则主要介绍了Apriori算法，以在一个数据集中找出各项之间的 关系； 5.4时序模式从序列的平稳性和非平稳型出发，对平稳时间序列主要介绍 了ARMA模型，对差分平稳序列建立了ARIMA模型，应用这两个模型对 相应的时间序列进行研究，找寻变化发展的规律，预测将来的走势； 5.5离群点检测主要介绍了基于模型和离群点的检测方法，是发现与大部 分其他对象显著不同的对象。 前5章是数据挖掘必备的原理知识，并为本书后面章节的案例理解和实验 操作奠定了理论基础。 聚类分析——常用聚类分析算法 与分类不同，聚类分析是在没有给定划分类别的清况下，根据数据相似 度进行样本分组的一种方法。 与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以 建立在无类标记的数据上，是一种非监督的学习算法。 聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度 将他们划分为若干组，划分的原则是组内样本最小化而组间（外部)距 离最大化
基于Python实现时间序列分析建模(ARIMA模型)项目实战
10-31
【项目实战】基于Python实现时间序列分析建模(ARIMA模型)项目实战 内容包括： 资料说明：包括数据集+源代码+PDF文档说明+代码视频讲解。 资料内容包括： 1)项目背景； 2)数据收集； 3)数预处理； 4)RBF神经网络半导体刻蚀机故障诊断模型的构建； 5)模型评估； 6)实际应用。
机器学习ARIMA时间序列预测模型实战案例
10-27
ARIMA模型是一种广泛应用的时间序列预测模型，它结合了自回归（AR）和移动平均（MA）的概念，具有较好的灵活性和准确性。本章将介绍一个实战案例，利用Python编程语言实现了ARIMA模型并进行预测。通过这个案例，我们将深入了解ARIMA模型的构建过程和关键步骤，并学习如何使用Python中的相关库来进行模型训练和预测。在案例中，我们将使用一组客服的接线量数据作为实验对象。通过分析这些数据，我们将探索数据的特征和规律，进行平稳性检验和差分操作，然后通过自相关和偏自相关图来选择合适的ARIMA模型参数。RIMA模型是一种广泛应用的时间序列预测模型，它结合了自回归（AR）和移动平均（MA）的概念，具有较好的灵活性和准确性。在本篇博客中，我们将深入探讨ARIMA模型的实战应用，并通过Python进行模型的实现和分析。 我们的实战案例基于一组客服接线量的数据。首先，我们对数据进行了详细的探索性分析，以揭示其内在的时间序列特性。对于非平稳的数据，我们使用差分操作使其平稳，以便进行后续的建模和预测。 在模型参数的选择上，我们使用了自相关图（ACF）和偏自相关图（PACF）来帮助确定ARIMA
多图表实现员工满意度调查数据分析python
04-22
员工满意度是指员工对于工作环境、待遇、职业发展和组织管理等方面的满意程度。它是衡量员工对工作的整体感受和情绪状态的重要指标。
2020届软件工程本科毕业生毕业设计项目.zip
04-22
2020届软件工程本科毕业生毕业设计项目
基于stm32平衡小车
最新发布
04-22
平衡小车 基于stm32 平衡小车 基于stm32 平衡小车 基于stm32
wineind 数据集下载
06-06
Wineind是一个包含了红酒化学成分和品尝评分的数据集。该数据集有178个样本，13个特征。这个数据集是对葡萄酒的质量进行研究时受欢迎的数据集之一，它被广泛用于数据科学、机器学习和统计分析中。 要下载Wineind数据集，可以访问UCI机器学习数据集库，该库是一个非常受欢迎的数据集存储库，提供了许多数据集供研究人员和学生使用。在UCI机器学习数据集库中，你可以下载Wineind数据集的CSV格式文件。 除UCI机器学习数据集库外，还有很多其他网站和资源可供下载Wineind数据集。如果你正在使用Python或R等编程语言，你可以使用相应的库和包直接从代码中下载和使用该数据集。此外，Wineind数据集在许多机器学习和统计分析教程中使用，你可以在这些网站找到Wineind数据集的下载链接和相关信息。 总之，Wineind数据集是一个受欢迎的数据集，可用于许多不同的机器学习和统计分析应用。要下载此数据集，你可以访问UCI机器学习数据集库或使用其他资源和库。无论你使用哪个资源，都应该很容易地获取和使用这个数据集。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

数据蜂鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值