第69步时间序列建模实战：ARIMA建模（R）

Jet4505

已于 2023-09-16 11:46:39 修改

阅读量2k

点赞数 4

分类专栏：《100 Steps to Get ML》—JET学习笔记文章标签： r语言开发语言 ARIMA 时间序列

于 2023-09-11 15:35:45 首次发布

本文链接：https://blog.csdn.net/qq_30452897/article/details/132809594

版权

《100 Steps to Get ML》—JET学习笔记专栏收录该内容

103 篇文章 135 订阅

订阅专栏

基于WIN10的64位系统演示

一、写在前面

这一期，我们使用R进行SARIMA模型的构建。

同样，这里使用这个数据：

《PLoS One》2015年一篇题目为《Comparison of Two Hybrid Models for Forecasting the Incidence of Hemorrhagic Fever with Renal Syndrome in Jiangsu Province, China》文章的公开数据做演示。数据为江苏省2004年1月至2012年12月肾综合症出血热月发病率。运用2004年1月至2011年12月的数据预测2012年12个月的发病率数据。

R语言，这个大家都很熟悉吧。说实话，我不熟悉。

这里用的版本是：R-4.3.1，搭配RStudio食用。

二、R建立SARIMA实战

（1）导入数据

打开Rstudio，如下图操作，导入数据：

（2）单位根（ADF）检验

library(tseries)
# 假设你的时间序列数据存储在变量data$incidence中
test_result <- adf.test(data$incidence, alternative = "stationary")
# 打印测试结果
print(test_result)

结果显示是平稳的，6666。那就平稳吧：

（3）设置为时间序列格式

# 将时间列转换为日期格式
time_series <- ts(data$incidence, frequency=12, start=c(2004, 1))

（4）差分

# 进行一次差分
first_difference <- diff(time_series, differences = 1)
plot(first_difference, main="一次差分后的时间序列")
# 进行季节性差分
seasonal_difference <- diff(time_series, lag = 12)
plot(seasonal_difference, main="季节性差分后的时间序列")

如图：

看起来，一次差分也得了。

（5）自相关图和偏相关图

绘制自相关图 (ACF)
acf(time_series, main="自相关图 (ACF)")
# 绘制偏自相关图 (PACF)
pacf(time_series, main="偏自相关图 (PACF)")

如图，有点丑：

（6）建模

（6.1）数据拆分

# 划分训练集和验证集
train_series <- window(time_series, start=c(2004,1), end=c(2011,12))
validation_series <- window(time_series, start=c(2012,1), end=c(2012,12))

（6.2）搭建SARIMA

看代码，自行体会：

案例：SARIMA(0,1,1)(0,1,1)12：

sarima_model <- Arima(train_series, order=c(0,1,1), seasonal=list(order=c(0,1,1), period=12))

解读：这里，order=c(0,1,1)定义了非季节部分的阶数，而seasonal=list(order=c(0,1,1), period=12)定义了季节部分的阶数和季节周期（在这种情况下为12）。

（6.3）看模型参数

# 显示模型摘要
summary(sarima_model)

如图：

解读如下：

参数没有统计学差异，这模型不得。大家自己试了，我继续。

（6）预测

（6.1）拟合数据

# 获取拟合数据
fitted_values <- fitted(sarima_model)
# 保存拟合数据到CSV文件
write.csv(data.frame(time=as.character(time(fitted_values)), fitted_values=fitted_values), file="fitted_values.csv", row.names=FALSE)
# 打印消息
print("拟合数据已保存到fitted_values.csv文件中")

知道存在哪里不，看R的工作路径：

# 获取当前工作目录
current_working_directory <- getwd()
# 打印当前工作目录
print(current_working_directory)

（6.1）预测数据

# 预测未来12个月的数据
future_forecast <- forecast(sarima_model, h=12)
# 将预测结果与时间戳合并为数据框
forecast_data <- data.frame(
  time = time(future_forecast$mean),
  forecast_values = as.numeric(future_forecast$mean)
)
# 保存预测结果到CSV文件
write.csv(forecast_data, file="forecast_values.csv", row.names=FALSE)
# 打印消息
print("预测数据已保存到forecast_values.csv文件中")

收工！！

四、数据

链接：https://pan.baidu.com/s/1qOpPi9pfzKR8TVmpOZaZcg?pwd=tc2z

提取码：tc2z