ARIMA——从案列出发，让你彻底懂得时间序列模型

解读导航：文章脉络会先以图问结合的方式，让你理解ARIMA的基本概念和术语，然后以预测下月商品销售额为实例，带你亲临建立时间序列模型的步骤和方法，之后介绍一种很有前瞻性的方法Prophet，最后总结时间序列模型的要点、技巧和注意事项。

一、用图形理解概念

ARIMA模型的全称叫做自回归移动平均模型(ARIMA, Autoregressive Integrated Moving Average Model)，又称为Box-Jenkins模型。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列预测的模型。

ARIMA模型其实是由AR、I、MA三者中的一个或多个组成的，p、q、d分别为对应成员的各自滞后的参数。故模型可以表示为：

其中AR是自回归模型，即在序列中的下一个值的误差（平均值的差值）是前n个值中的误差的函数。p代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项 ，一般观察PACF图决定P值大小。

AR详细可查看：https://blog.csdn.net/u010714310/article/details/81784054

MA为移动平均模型，在序列中的下一个值是前n个值的平均值的函数。q代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项

d为时间序列成为平稳时所做的差分次数。代表时序数据需要进行几阶差分化，才是稳定的。

说到这里就需要解释下差分了： 假设y表示t时刻的Y的差分。

二、 ARIMA建模基本步骤：

1. 获取被观测系统时间序列数据；
2. 对数据绘图，观测是否为平稳时间序列；对于非平稳时间序列要先进行d阶差分运算，化为平稳时间序列；
3. 经过第二步处理，已经得到平稳