基于差分整合移动平均自回归模型(ARIMA)的时序数据滚动预测建模与网格调参优化实战

        ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。

     ARIMA在统计学里面算得上是比较出众的一类时序数据建模分析模型了，出现的时间点也是比较早，当然现在对于复杂点的时序数据预测建模分析类的任务，我们大多数还是偏向于去选择机器学习和深度学习来完成建模工作的，毕竟统计学的模型相比于机器学习和深度学习模型的性能来说还是比较单薄的。

     相信只要是做过时序数据建模类的工作，对于ARIMA模型应该都不会很陌生，至少是有所耳闻，这里为了尽快唤醒大家的记忆，先来一组熟悉的图片，我相信很多接触ARIMA模型的人都是从这一组图片开始的。