时间序列数据分析--Time Series--时序模型--ARIMA

最新推荐文章于 2025-06-08 10:34:25 发布

bboysky45

最新推荐文章于 2025-06-08 10:34:25 发布

阅读量2.9k

点赞数 6

分类专栏： python 文章标签： Time Series ARIMA

python 专栏收录该内容

59 篇文章

订阅专栏

本文详细介绍了如何使用ARIMA模型进行时间序列预测。首先，通过差分处理使序列达到平稳状态，然后利用自相关函数（ACF）和偏自相关函数（PACF）确定ARIMA模型的参数p、d、q。最后，通过实例演示了如何构建和应用ARIMA模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ARIMA模型参数选择

检查序列是否平稳
- 若不平稳，使用差分平稳化序列，确定差分阶数d
ARMA定阶
- 通过PACF确定AR的阶数p
- 通过ACF确定MA的阶数q
根据参数p,d,q建立模型ARIMA(p,d,q)

#  ARIMA模型
#  平稳性

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# 构造时间时间序列
df_obj = pd.DataFrame(np.random.randn(1000, 1), 
                       index=pd.date_range('20170101', periods=1000),
                       columns=['data'])
df_obj['data'] = df_obj['data'].cumsum()
print(df_obj.head())

# 一阶差分处理
df_obj['diff_1'] = df_obj['data'].diff(1)

# 二阶差分处理
df_obj['diff_2'] = df_obj['diff_1'].diff(1)

# 查看图像
df_obj.plot(subplots=True, figsize=(18, 12))

## ACF 和 PACF
from scipy import  stats
import statsmodels.api as sm

sm.graphics.tsa.plot_acf(df_obj['data'], lags=20)
sm.graphics.tsa.plot_pacf(df_obj['data'], lags=20)