十大时间序列模型最强总结（三）季节性自回归积分滑动平均模型（SARIMA）

AI老皮

已于 2024-09-12 14:35:28 修改

阅读量642

点赞数 5

文章标签：回归数据挖掘人工智能大模型 ai 学习 AI大模型

于 2024-08-28 08:00:00 首次发布

本文链接：https://blog.csdn.net/m0_59614665/article/details/141602891

版权

三、季节性自回归积分滑动平均模型（SARIMA）

1. 原理

SARIMA 模型是 ARIMA 模型的扩展，用于处理具有季节性成分的时间序列。SARIMA 模型引入了季节性成分，通过增加季节性自回归（SAR）、季节性差分（I）和季节性移动平均（SMA）项来建模。

2. 核心公式

在这里插入图片描述

推导：

3. 优缺点

1）优点：
适用于处理具有明显季节性成分的时间序列。
可以同时建模季节性和非季节性成分。
2）缺点：
模型复杂度高，参数较多，调整较为困难。
需要确定季节性周期。

4. 适用场景

SARIMA 模型适用于具有季节性波动的时间序列数据，如月度销售数据、季节性气象数据等。

5. 核心案例代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 生成示例数据：季节性时间序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=120, freq='M')
seasonal_component = 10 + 10 * np.sin(np.linspace(0, 3 * np.pi, 120))
data = seasonal_component + np.random.randn(120) * 2  # 叠加噪声

# 创建DataFrame
df = pd.DataFrame(data, index=dates, columns=['Value'])

# 拟合SARIMA模型 (p=1, d=1, q=1, P=1, D=1, Q=1, s=12)
model = SARIMAX(df['Value'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
sarima_result = model.fit()

# 预测未来12个月
forecast = sarima_result.get_forecast(steps=12)
forecast_index = pd.date_range(df.index[-1] + pd.DateOffset(months=1), periods=12, freq='M')
forecast_values = forecast.predicted_mean

# 可视化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Value'], label='Observed', color='blue')
plt.plot(forecast_index, forecast_values, label='Forecast', color='orange', linestyle='--')
plt.fill_between(forecast_index,
                 forecast.conf_int().iloc[:, 0],
                 forecast.conf_int().iloc[:, 1],
                 color='#FFA07A', alpha=0.3)  # 使用有效的颜色代码
plt.title('SARIMA Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()