时序数据学习笔记（六）

一、自回归移动平均过程

        自回归移动平均过程是自回归过程和移动平均过程的组合，也称为 ARMA (p， q) ，其中p是自回归部分的阶，q是移动平均部分的阶，p决定了影响当前值的过去值的数量，q决定了影响现在值的过去错误项的数量。另外ARMA(0，q)过程等价于MA(q)过程，ARMA(p，0)过程等价于 AR(p)过程。

1、ARMA 使用步骤

        第一步，是收集数据，测试平稳性，并应用相应的转换，接着定义一个 p 和 q 的可能值列表。

        第二步，将 ARMA (p， q)的每个组合与我们的数据相匹配，并选择 AIC 最低的模型。

        第三步，通过查看 Q-Q 图和残差相关图进行残差分析。如果结果接近白噪声，该模型可用于预测。否则，回到第二步尝试不同的 p 和 q 值。

二、ARMA实验

1、数据加载与平稳性测试

        ADF Statistic: -0.8714653199452855，p-value: 0.7972240255014513，通过p-value与ACF图可以确定数据不平稳。 

df=pd.read_csv('bandwidth.csv')
df_adf = adfuller(df['hourly_bandwidth'])
print(f'ADF Statistic: {df_adf[0]}')
print(f'p-value: {df_adf[1]}')

plot_acf(df['hourly_bandwidth'],lags=20)
plt.ti