本文从传统的时间序列SARIMAX算法讲解销量预测模型。
主要涉及到python的pandas、statsmodels、joblib等模块，通过对多个模型进行并行网格搜索寻找评价指标MAPE最小的模型参数，虽然供应链销量预测可供使用的模型非常多，但是作为计量经济学主要内容之一，时间序列因为其强大成熟完备的理论基础，应作为我们处理带有时序效应数据时首要尝试的模型类型，且往往效果不错。本文只是从代码的角度讲解其中statsmodels中SARIMAX的用法。剖析代码细节，以便于照例上手实际操作。
- 参数解释
SARIMAX是在差分移动自回归模型（ARIMA）的基础上加上季节（S,Seasonal）和外部因素(X,eXogenous)。也就是说以ARIMA基础加上周期性和季节性，适用于时间序列中带有明显周期性和季节性特征的数据。由于参数众多，所以下面简单整理出其含义，以免误用或遗漏。
| 参数 | 含义 | 是否必须 |
|---|---|---|
| endog | 观察（自）变量 y | 是 |
| exog | 外部变量 | 否 |
| order | 自回归，差分，滑动平均项 (p,d,q) | 否 |
| seasonal_order | 季节因素的自回归，差分，移动平均，周期 (P,D,Q,s) | 否 |
| trend | 趋势，c表示常数，t:线性，ct:常数+线性 | 否 |
| measurement_error | 自变量的测量误差 | 否 |
| time_varying_regression | 外部变量是否存在不同的系数 | 否 |
| mle_regression | 是否选择最大似然极大参数估计方法 | 否 |
| simple_differencing | 简单差分，是否使用部分条件极大似然 | 否 |
| enforce_stationarity | 是否在模型种使用强制平稳 | 否 |
| enforce_invertibility | 是否使用移动平均转换 | 否 |
| hamilton_representation | 是否使用汉密尔顿表示 | 否 |
| concentrate_scale | 是否允许标准误偏大 | 否 |
| trend_offset | 是否存在趋势 | 否 |
| use_exact_diffuse | 是否使用非平稳的初始化 | 否 |
| **kwargs | 接受不定数量的参数，如空间状态矩阵和卡尔曼滤波 | 否 |
以上我们列出了该函数中所有可能用到的参数，很多参数不是必须，比如甚至只是需要给定endog(观察变量)，程序就可以运行起来，也正是这样，SARIMAX具有极大的灵活性。
- 如果不指定seasonal_order或者季节性参数都设定为0，那么就是普通的ARIMA模型，exog外部因子没有也可以不用指定；
- 其他的参数如无必要，则不需要修改，因为函数默认的参数在大多数时候是最优的；
- 上表多次提到初始化，我们知道模型拟合所用迭代算法，是需要提供一个初始值的，在初始值的基础上不断迭代，一般情况下是随机指定一个值，或者给出一套包含某种分布的值，如正态分布。在大多数梯度下降算法陷入局部最优的时候，可以尝试更改初始值，和上条一样如无特殊需求，勿动；
- 关于拟合算法，我们一般都是假定给定的数据满足正态分布，所有使用极大似然算法求解最优参数；
- 关于是否强制平稳和移动平均转换，一般设置为False，保持灵活性。
总的来说，SARIMA 模型通过(p,d,q) (P,D,Q,m)不同的组合，囊括了ARIMA, ARMA, AR, MA模型，使用指定的模型评估准则，选择最优模型，目前用python的statsmodels进行时间序列分析时，用SARIMAX就好。
- 模型选择标准
模型选择标准，提供以下三种方案：
2.1使用AIC信息准则
通过Akaike information criteria (AIC)进行模型选择，用极大似然函数拟合模型，虽然我们的目标最大化似然函数，但同时需要考虑模型复杂度，所以常常使用AIC和BIC作为模型优劣的衡量标准，该标准只能说在这么多备选模型中，最小AIC的模型刻画的真实数据表达的信息损失最小，是相对指标。
AIC=-2 ln(L) + 2 k
BIC=-2 ln(L) + ln(n)*k
AIC在样本容量很大时，拟合所得数值会因为样本容量而放大(通常超过1000的样本称之为大样本容量)。AIC和BIC作为模型选择的准则，可以有效弥补根据自相关图和偏自相关图定阶的主观性。
2.2使用 Box-Jenkins检验准则
Box-Jenkins 建模流程如下，建立在反复验证是否满足假设前提，并对参数调整。
2.3.使用准确率作为模型评估准则
比如，MAPE（平均绝对误差百分比），从总体上评估模型预测准确率:
MAPE也是反映误差大小的相对值，不同模型对同一数据的模型进行评估才有比较的意义。
以上列举了三种建模评估标准，最好综合考虑，AIC从信息论的角度度量信息损失大小， Box-Jenkins是传统的层层假设之下的时间序列统计建模准则，在应对单一序列模型，通过眼观图形和检验参数的显著性来判定，效果佳。而如果我们关注的是模型准确率，那么最好的当然是MAPE等关注预测准确性的指标，此时不能无脑的用函数原始的定义或者AIC，这点尤其值得关注，包括XGBoost模型中，目标损失函数不建议直接使用RMSE。
- 代码实现
3.1导入模块
import time
from itertools import product
import numpy as np
import pandas as pd
from joblib import Parallel,delayed
import warnings
warnings.filterwarnings('ignore')
from warnings import catch_warnings,filterwarnings
from statsmodels.tsa.statespace.sarimax import SARIMAX
3.2 定义模型
该部分的关键参数已经在上文全部罗列，因为重要所以从原文档中全部总结翻译过来。
#传入数据和参数，输出模型预测
def model_forecast(history,config):
order, sorder, trend = config
model = SARIMAX(history, order=order, seasonal_order=sorder,trend=trend,enforce_stationarity=False, enforce_invertibility=False)
model_fit = model.fit(disp=False)
yhat = model_fit.predict(len(history), len(history))
return yhat[0]
3.3模型评估函数和数据划分
#模型评估指标,mape
def mape(y_true, y_pred):
y_true, y_pred = np.array(y_true), np.array(y_pred)
return np.mean(np.abs((y_true - y_pred) / y_true)) * 100
#划分训练集和测试集
def train_test_split(data, n_test):
return data[:-n_test], data[-n_test:]
3.4 定义滚动预测
使用one-step滚动向前预测法，每次预测值再加入数据中，接着预测下一个值，而不是一次预测多个值。依据经验，我们可以知道多数情况下，其实滚动逐步预测比多步预测效果更佳，所以应该尝试滚动预测。
#one-step滚动向前预测
def forward_valid(data, n_test, cfg):
predictions = list()
train, test = train_test_split(data, n_test)
history = [x for x in train]
for i in range(len(test)):
yhat = model_forecast(history, cfg)
predictions.append(yhat)
history.append(test[i])
error = mape(test, predictions)
return error
当模型的移动平均或者自回归阶数较高，模型计算极大似然的时候可能会抛出很多警告，比如常见的自由度为0，模型非正定，还如AIC有时会得到NaN值，所以这里需要设置忽视警告，我们需要用到python中的try-except异常处理控制流，把可能报错的语句放置在try中，以免程序报错中断。如果需要查看警告或者调试，则debug这里可以设置为True,但是大概率程序会报错退出。对数据进行标准化等处理，其实在一定程度上是可以避免一些计算方面的问题，同时也会提高计算求解效率。
3.5 模型评估
#模型评估
def score_model(data,n_test,cfg,debug=False):
result = None
key = str(cfg)
if debug:
result = forward_valid(data, n_test, cfg)
else:
try:
with catch_warnings():
filterwarnings("ignore")
result = forward_valid(data, n_test, cfg)
except:
error = None
return (key, result)
3.6 网格搜索
网格搜索非常耗时，时间复杂度非常高，为指数型。在条件允许的情况下，尤其是PC和服务器计算力大大的得到提高的当下，通常的做法都是用空间换时间，压榨计算资源，使用多线程并行，以便可以在短时间内得到计算结果。
所以，我们使用Joblib模块中的Parallel和delayed函数并行多个模型，Joblib模块也是常常在机器学习任务grid search和Cross validation中为了提高计算速度需要必备的模块。
#网格搜索
def grid_search(data, cfg_list, n_test, parallel=True):
scores = None
if parallel:
#使用计算机全部的cpu核数多进程并行
executor = Parallel(n_jobs=-1, backend='multiprocessing')
tasks = (delayed(score_model)(data, n_test, cfg) for cfg in cfg_list)
scores = executor(tasks)
else:
scores = [score_model(data, n_test, cfg) for cfg in cfg_list]
scores = [r for r in scores if r[1] != None]
scores.sort(key=lambda x: x[1])
return scores
#生成参数列表
def sarima_configs(seasonal=[0]):
p = d = q = [0,1,2]
pdq = list(product(p, d, q))
s = 0
seasonal_pdq = [(x[0], x[1], x[2], s) for x in list(product(p, d, q))]
t=['n','c','t','ct']
return list(product(pdq,seasonal_pdq,t))
还要唠叨的是，本文引进的itertools模块中的product是对迭代对象创建笛卡尔积的函数，穷尽迭代对象的所有组合，返回迭代对象组合的元组。解释一下 ，上面sarima_configs函数中的，p、 d、 q都是0、1、2，因为更高阶的并不多见，且高阶会导致模型非常复杂，往往0，1，2也就够了，关于季节性设置了一个默认的0，是因为本文使用的是周这样的汇总时间点，通过前期数据探索作图看出设置为4，或者12都没有意义，所以为了节省计算资源，指定为0。以上函数自己可以写嵌套循环，但是python内置的模块和成熟的模块在计算性能和规范上会比自己手写的优很多，这也是不要重复造轮子的理念，除非自己造的轮子更好，能解决一个新需求。既然讲到计算性能，本文涉及到了很多循环迭代，那么如果可以的话，建议使用Profile 这个内置的模块分析每个函数花费的时间。
以下为模型训练函数，n_test=3表示预测3个值，因为我个人使用的场景比较固定，所以就直接写在函数内部作为局部变量了，为了保持函数的灵活性，作为全局参数或者函数的形参当然是更好，另，下面这种列表元素append追加似乎不太优雅。（过早优化是万恶之源，emmm,就这样子了，逃）
#模型训练
def train_model(sale_df):
n_test = 3
p_b,d_b,q_b=[],[],[]
P_b,D_b,Q_b=[],[],[]
m_b,t_b=[],[]
model_id,error=[],[]
for i in sale_df['store_code'].unique():
data=sale_df[sale_df['store_code']==i]['y']
data=[i for i in data]
cfg_list = sarima_configs()
scores = grid_search(data,cfg_list,n_test,parallel=True)
p_b.append(int(scores[0][0][2]))
d_b.append(int(scores[0][0][5]))
q_b.append(int(scores[0][0][8]))
P_b.append(int(scores[0][0][13]))
D_b.append(int(scores[0][0][16]))
Q_b.append(int(scores[0][0][19]))
m_b.append(int(scores[0][0][22]))
t_b.append(str(scores[0][0][27]))
model_id.append(i)
error.append(scores[1][-1])
params_df=pd.DataFrame({'store_code': model_id, 'map': error,'p':p_b,'d':d_b,'q':q_b,'P':P_b,'D':D_b,'Q':Q_b,'m':m_b,'t':t_b})
return params_df
3.7 获得最优参数，滚动预测未来值
通过模型训练得到的最优参数，滚动预测四个时间点。
#定义预测函数，传入数据和参数，返回预测值
def one_step_forecast(data,order,seasonal_order,t,h_fore):
predictions=list()
data=[i for i in data]
for i in range(h_fore):
model = SARIMAX(data, order=order, seasonal_order=seasonal_order,trend=t,enforce_stationarity=False, enforce_invertibility=False)
model_fit = model.fit(disp=False)
yhat = model_fit.predict(len(data), len(data))
data.append(yhat[0])
predictions.append(yhat[0])
return predictions
#用for循环，多个序列预测
def forecast_model(sale_df,params_df):
h_fore=4
fore_list=[]
model_id=[]
for i in sale_df['store_code'].unique():
#params_list=params_df[params_df['store_code']==i]
data=sale_df[sale_df['store_code']==i]['y']
p=params_df[params_df['store_code']==i].iloc[:,2].values[0]
d=params_df[params_df['store_code']==i].iloc[:,3].values[0]
q=params_df[params_df['store_code']==i].iloc[:,4].values[0]
P=params_df[params_df['store_code']==i].iloc[:,5].values[0]
D=params_df[params_df['store_code']==i].iloc[:,6].values[0]
Q=params_df[params_df['store_code']==i].iloc[:,7].values[0]
m=params_df[params_df['store_code']==i].iloc[:,8].values[0]
t=params_df[params_df['store_code']==i].iloc[:,9].values[0]
order=(p, d, q)
seasonal_order=(P,D,Q,m)
all_fore=one_step_forecast(data,order,seasonal_order,t,h_fore)
fore_list.append(all_fore)
#以下为，多步预测，如果不使用滚动预测，则不调one_step_forecast函数
#model=SARIMAX(data, order=order,seasonal_order=seasonal_order,trend=t,enforce_stationarity=False,
# enforce_invertibility=False)
#forecast_=model.fit(disp=-1).forecast(steps=h_fore)
#fore_list_flatten = [x for x in forecast_]
#fore_list.append(fore_list_flatten)
model_id.append(i)
df_forecast = pd.DataFrame({'store_code': model_id, 'fore': fore_list})
return df_forecast
main函数
if __name__ == '__main__':
start_time=time.time()
sale_df=pd.read_excel('/home/test01/store_forecast/sale_df.xlsx')
params_df=train_model(sale_df)
forecast_out=forecast_model(sale_df,params_df)
end_time=time.time()
use_time=(end_time-start_time)//60
print('finish the process use',use_time,'mins')
3.8 模型结果
以下为本次模型所得结果，每个门店一个序列模型。
| store_code | mape | p | d | q | P | D | Q | m | t |
|---|---|---|---|---|---|---|---|---|---|
| 1F | 6.305378 | 1 | 0 | 2 | 2 | 0 | 1 | 0 | c |
| 62 | 1.889192 | 0 | 2 | 2 | 0 | 0 | 2 | 0 | t |
| CS | 1.425515 | 1 | 2 | 2 | 0 | 0 | 0 | 0 | c |
| 2H | 2.144674 | 0 | 1 | 2 | 1 | 0 | 2 | 0 | c |
| 32 | 5.289745 | 0 | 2 | 2 | 0 | 0 | 0 | 0 | t |
五个模型总体MAPE为3.4%，效果还不错，本文还没有用到SARIMAX中的X,也就是eXogenous外部因素，模型得到的MAPE已经降到3.4%，也即准确率到了96.6%，限于时间的关系，暂时没有加入如天气/客流等外部因素。
4.总结
本文考虑多种参数组合的时间序列模型，通过并行网格搜索，回测得到MAPE最小的模型参数，并把最优参数作为模型预测未来值的参数滚动预测未来4个时间点。以上就是结合自己经验和体会以及查阅的资料针对几个关键点进行阐述而写就。如有误，欢迎指正留言。完整的程序和数据放在Github上
扫一扫
2479
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
