时间序列分析ARIMA及其Python实现

最新推荐文章于 2024-07-28 11:34:31 发布
最新推荐文章于 2024-07-28 11:34:31 发布
阅读量1.3w 收藏 326
点赞数 26
文章标签： python 开发语言 后端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43461982/article/details/122279386
版权

1 补充知识

1.1 相关函数

自相关函数ACF(autocorrelation function)

自相关函数ACF描述的是时间序列观测值与其过去的观测值之间的线性相关性。计算公式如下：
在这里插入图片描述其中k代表滞后期数，如果k=2，则代表yt和yt-2

偏自相关函数PACF(partial autocorrelation function)

偏自相关函数PACF描述的是在给定中间观测值的条件下，时间序列观测值预期过去的观测值之间的线性相关性。

举个简单的例子，假设k=3，那么我们描述的是yt和yt-3之间的相关性，但是这个相关性还受到yt-1和yt-2的影响。PACF剔除了这个影响，而ACF包含这个影响。

1.2 截尾和拖尾

拖尾指序列以指数率单调递减或震荡衰减，而截尾指序列从某个时点变得非常小：
640?wx_fmt=png

出现以下情况，通常视为(偏)自相关系数d阶截尾：
1）在最初的d阶明显大于2倍标准差范围
2）之后几乎95%的(偏)自相关系数都落在2倍标准差范围以内
3）且由非零自相关系数衰减为在零附近小值波动的过程非常突然
640?wx_fmt=png
出现以下情况，通常视为(偏)自相关系数拖尾：
1）如果有超过5%的样本(偏)自相关系数都落入2倍标准差范围之外
2）或者是由显著非0的(偏)自相关系数衰减为小值波动的过程比较缓慢或非常连续。
在这里插入图片描述

1.3 时间序列差分

时间序列差分的目的是将非平稳序列转化为平稳序列。在这里插入图片描述

2 ARIMA模型原理

2.1p阶自回归模型（AR）

自回归模型描述当前值与历史值之间的关系（即分析数据内部相关关系的方法），用变量自身的历史时间数据对自身进行预测。
自回归模型首先需要确定一个阶数p，表示用几期的历史值来预测当前值。p阶自回归模型AR（p）的公式定义为：
在这里插入图片描述
上式中yt是当前值,u是常数项,p是阶数 γi是自相关系数,ϵt是干扰误差。
自回归模型有很多的限制：
1、自回归模型是用自身的数据进行预测；
2、时间序列数据必须具有平稳性；
3、自回归只适用于预测与自身前期相关的现象；

2.2 q阶移动平均模型 （MA）

移动平均模型关注的是自回归模型中的误差项的累加 ，q阶自回归模型MA(q)的公式定义如下：
在这里插入图片描述
移动平均法能有效地消除预测中的随机波动。

2.3 自回归移动平均模型（ ARMA）

如果预测的未来时间序列不仅与过去时刻对应的时间序列相关，还与过去时刻对应的扰动存在一定的相关关系，于是自回归模型AR和移动平均模型MA模型相结合，我们就得到了自回归移动平均模型ARMA(p,q)，计算公式如下：
在这里插入图片描述
由于MA模型一定是平稳的，所以ARMA模型的平稳性完全取决于AR模型的平稳性。

2.4 差分自回归移动平均模型（ARIMA）

将自回归模型、移动平均模型和差分法结合，我们就得到了差分自回归移动平均模型ARIMA(p,d,q)，其中d是需要对数据进行差分的阶数。任何非平稳序列通过差分就可以转化为平稳序列，从而使用ARMA进行模型拟合。

3 ARMIA模型的建立与Python实现

ARIMA模型的建立主要可分为三部分，即预处理，模型拟合和预测。
在这里插入图片描述

预处理

3.1 获取时间序列

数据集为风速序列，我们取其中1000个测量值作为原始序列。

"""原始序列检验"""
sale=pd.read_csv('shanghai.csv',index_col='Timestamp')
train_sale=sale[:1000]
# test_sale=sale[-100:10]
# print(sale.info())

# #绘制原始序列
plt.figure(figsize=(10,5))
train_sale.plot()
plt.show()

##自相关性检验
plot_acf(train_sale,lags=80).show()

原始时间序列
在这里插入图片描述

3.2 平稳性检验

【ADF检验】

的全称是Augmented Dickey-Fuller test，它是Dickey-Fuller（DF）检验的扩展。DF检验只能应用于一阶AR模型的情况。当序列为高阶时，存在滞后相关性，于是可以使用更适用的ADF检验。具体可见
时间序列学习（4）：平稳性检验（单位根检验、ADF检验）
在python中，一般用

from statsmodels.tsa.stattools import adfuller
adfuller(prices.close)

结果如下：

(-1.932446672214747,		# t-检验值；
 0.3169544458085871,		#P-Value 滞后阶数（lags） 
 9,
 465,
 {'1%': -3.4444914328761977,	#样本数 1%,5%,10%的边界值 
  '5%': -2.8677756786103683,
  '10%': -2.570091378194011},
 4819.095453869604)				#最大信息准则（参数中autolag需不为None）

对于ADF，一般有两种判别方法：
1 t-检验值大于某个临界值，那么在这个临界值以内序列的不平稳性比较显著；
2 p-Value大于某个临界值的百分位（即1%,5%,10%），那么序列的不平稳性比较显著。

在这里，我们判断p-value小于5%为稳定。

#平稳性检验:判断p是否小于0.05；是则为平稳序列
print('原始序列的ADF检验结果为：',ADF(train_sale.Price))   #p=0.24 显著大于0.05故不平稳序列

原始序列的ADF检验结果为： (-1.991162087283564, 0.29046161027915296, 0, 999, {'1%': -3.4369127451400474, '5%': -2.864437475834273, '10%': -2.568312754566378}, 9979.084487404141)

于是，我们认为原始时间序列不稳定，需要对其进行差分计算。

【差分运算】

对于非平稳序列，通过差分运算使其转化为平稳序列。

"""一阶差分序列检验"""
d1_sale=train_sale.diff(periods=1, axis=0).dropna() #dropna删除NaN
#时序图
plt.figure(figsize=(10,5))
d1_sale.plot()
plt.show()

#自相关图
plot_acf(d1_sale,lags=20).show()
#解读：有短期相关性，但趋向于零。

#平稳性检验
print('原始序列一阶差分的ADF检验结果为：',ADF(d1_sale.Price))
#解读：P值小于显著性水平α（0.05），拒绝原假设（非平稳序列），说明一阶差分序列是平稳序列。

在这里插入图片描述
在这里插入图片描述

原始序列一阶差分的ADF检验结果为： (-32.38094077090129, 0.0, 0, 998, {'1%': -3.4369193380671, '5%': -2.864440383452517, '10%': -2.56831430323573}, 9973.154155945356)

经过差分运算后，得到平稳序列。

3.3 白噪声检验

**#白噪声检验
print('一阶差分序列的白噪声检验结果为：',acorr_ljungbox(d1_sale,lags=1))#返回统计量、P值
#解读：p值小于0.05，拒绝原假设（纯随机序列），说明一阶差分序列是非白噪声。**

一阶差分序列的白噪声检验结果为：     lb_stat       lb_pvalue
                                    1  0.660875   0.416251

至此，获得平稳非白噪声序列。将该序列放入ARMA模型中获得预测模型。

模型拟合

3.4 模型定阶

模型的定阶主要有2种方法：相关图（ACF和PACF）和信息准则函数（AIC和BIC)。

【相关图】

在这里插入图片描述
根据前面所说判定截尾和拖尾的准则，p，q的确定基于如下的规则：
在这里插入图片描述

"""定阶"""
##1 人工识图
d1_sale=train_sale.diff(periods=1, axis=0).dropna()
#自相关图
plot_acf(d1_sale,lags=34).show()
#解读：有短期相关性，但趋向于零。
#偏自相关图
plot_pacf(d1_sale,lags=20).show()
#偏自相关图
plot_pacf(d1_sale,lags=34).show()
#解读：自相关图，1阶截尾；偏自相关图，拖尾。则ARIMA(p,d,q)=ARIMA(0,1,1)

在这里插入图片描述
在这里插入图片描述

【信息准则函数】

通过拖尾和截尾对模型进行定阶的方法，往往具有很强的主观性。回想我们之前在参数预估的时候往往是怎么做的，不就是损失和正则项的加权么？我们这里能不能结合最终的预测误差来确定p，q的阶数呢？在相同的预测误差情况下，根据奥斯卡姆剃刀准则，模型越小是越好的。那么，平衡预测误差和参数个数，我们可以根据信息准则函数法，来确定模型的阶数。预测误差通常用平方误差即残差平方和来表示。
常用的信息准则函数法有下面几种：

AIC准则

AIC准则全称为全称是最小化信息量准则（Akaike Information Criterion），计算公式如下：

AIC = =2 *（模型参数的个数）-2ln（模型的极大似然函数）

BIC准则

AIC准则存在一定的不足之处。当样本容量很大时，在AIC准则中拟合误差提供的信息就要受到样本容量的放大，而参数个数的惩罚因子却和样本容量没关系（一直是2），因此当样本容量很大时，使用AIC准则选择的模型不收敛与真实模型，它通常比真实模型所含的未知参数个数要多。BIC（Bayesian InformationCriterion）贝叶斯信息准则弥补了AIC的不足，计算公式如下：

BIC = ln(n) * (模型中参数的个数) - 2ln(模型的极大似然函数值)，n是样本容量

##2参数调优：BIC
pmax=int(len(d1_sale)/600) #一般阶数不超过length/10
qmax=int(len(d1_sale)/600) #一般阶数不超过length/10
bic_matrix=[]
for p in range(pmax+1):
    tmp=[]
    for q in range(qmax+1):
        try:
            tmp.append(ARIMA(train_sale,order=(p,1,q)).fit().bic)
            print("times", "p", p, "q", q)
        except:
            tmp.append(None)
    bic_matrix.append(tmp)

bic_matrix=pd.DataFrame(bic_matrix)
fig,ax=plt.subplots(figsize=(10,8))
ax=sns.heatmap(bic_matrix,
               mask=bic_matrix.isnull(),
               ax=ax,
               annot=True,
               fmt='.2f')
ax.set_title('Bic')
bic_matrix.stack()
p,q=bic_matrix.stack().idxmin() #最小值的索引
print('用BIC方法得到最优的p值是%d,q值是%d'%(p,q))

##3 参数调优：AIC
pmax=int(len(d1_sale)/1200)
qmax=int(len(d1_sale)/1200)

aic_matrix=[]
for p in range(pmax+1):
    tmp=[]
    for q in range(qmax+1):
        try:
            tmp.append(ARIMA(train_sale,order=(p,1,q)).fit().aic)
            print("times", "p", p, "q", q)
        except:
            tmp.append(None)

    aic_matrix.append(tmp)
aic_matrix=pd.DataFrame(aic_matrix)
p,q=aic_matrix.stack().idxmin() #最小值的索引
print('用AIC方法得到最优的p值是%d,q值是%d'%(p,q))

3.5 模型检验

建立模型后，需要对擦查序列进行检验。若残差序列为白噪声序列，则说明时间序列中的有用信息已经被提取完毕，剩下的全是随机扰动，是无法预测和使用的。

"""建模及预测"""
model=ARIMA(sale,order=(3,1,3)).fit()
##残差检验
resid=model.resid
##1
#自相关图
plot_acf(resid,lags=35).show()
#解读：有短期相关性，但趋向于零。
#偏自相关图
plot_pacf(resid,lags=20).show()
#偏自相关图
plot_pacf(resid,lags=35).show()

#2 qq图
qqplot(resid, line='q', fit=True).show()

#3 DW检验
print('D-W检验的结果为：',sm.stats.durbin_watson(resid.values))
#解读：不存在一阶自相关

#4 LB检验
print('残差序列的白噪声检验结果为：',acorr_ljungbox(resid,lags=1))#返回统计量、P值
#解读：残差是白噪声 p>0.05
# confint,qstat,pvalues = sm.tsa.acf(resid.values, qstat=True)

3.6 预测

###预测
print('未来6小时的预测：')
forecastdata=model.forecast(6) #预测、标准差、置信区间
# forecastdata=forecastdata[:]
# forecast=pd.Series(np.array(forecastdata),index=pd.date_range('2019/02/28',periods=70,freq='D'))
# forecast=forecast.to_frame()
# forecast2=forecast.reindex(columns=["Price"])
forecast=pd.DataFrame(np.array(forecastdata),index=pd.date_range('1994/11/22',periods=6,freq='D'),columns=["Price"])
data=pd.concat((train_sale,forecast),axis=0)
# data.columns=['历史值','未来预测值']
print(data)
plt.figure(figsize=(10,6))
# data.plot()
plt.plot(np.array(train_sale),)
plt.show()

在这里插入图片描述

4 完整源码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

from statsmodels.graphics.tsaplots import plot_acf,plot_pacf  #自相关图、偏自相关图
from statsmodels.tsa.stattools import adfuller as ADF #平稳性检验
from statsmodels.stats.diagnostic import acorr_ljungbox #白噪声检验
import statsmodels.api as sm #D-W检验,一阶自相关检验
from statsmodels.graphics.api import qqplot #画QQ图,检验一组数据是否服从正态分布
from statsmodels.tsa.arima.model import ARIMA



"""原始序列检验"""
sale=pd.read_csv('shanghai.csv',index_col='Timestamp')
train_sale=sale[:1000]
# test_sale=sale[-100:10]
# print(sale.info())

# #绘制原始序列
plt.figure(figsize=(10,5))
train_sale.plot()
plt.show()

# ##自相关性检验
# plot_acf(train_sale,lags=80).show()
# #平稳性检验:判断p是否小于0.05；是则为平稳序列
# print('原始序列的ADF检验结果为：',ADF(train_sale.Price))   #p=0.24 显著大于0.05故不平稳序列

"""一阶差分序列检验"""
d1_sale=train_sale.diff(periods=1, axis=0).dropna() #dropna删除NaN
#时序图
plt.figure(figsize=(10,5))
d1_sale.plot()
plt.show()

#自相关图
plot_acf(d1_sale,lags=20).show()
#解读：有短期相关性，但趋向于零。

#平稳性检验
print('原始序列一阶差分的ADF检验结果为：',ADF(d1_sale.Price))
#解读：P值小于显著性水平α（0.05），拒绝原假设（非平稳序列），说明一阶差分序列是平稳序列。

#白噪声检验
print('一阶差分序列的白噪声检验结果为：',acorr_ljungbox(d1_sale,lags=1))#返回统计量、P值
#解读：p值小于0.05，拒绝原假设（纯随机序列），说明一阶差分序列是非白噪声。

# """定阶"""
# ##1 人工识图
# d1_sale=train_sale.diff(periods=1, axis=0).dropna()
# #自相关图
# plot_acf(d1_sale,lags=34).show()
# #解读：有短期相关性，但趋向于零。
# #偏自相关图
# plot_pacf(d1_sale,lags=20).show()
# #偏自相关图
# plot_pacf(d1_sale,lags=34).show()
#解读：自相关图，1阶截尾；偏自相关图，拖尾。则ARIMA(p,d,q)=ARIMA(0,1,1)

# ##2参数调优：BIC
# pmax=int(len(d1_sale)/10) #一般阶数不超过length/10
# qmax=int(len(d1_sale)/10) #一般阶数不超过length/10
# bic_matrix=[]
# for p in range(pmax+1):
#     tmp=[]
#     for q in range(qmax+1):
#         try:
#             tmp.append(ARIMA(sale,order=(p,1,q)).fit().bic)
#             print("times", "p", p, "q", q)
#         except:
#             tmp.append(None)
#     bic_matrix.append(tmp)
#
# bic_matrix=pd.DataFrame(bic_matrix)
# fig,ax=plt.subplots(figsize=(10,8))
# ax=sns.heatmap(bic_matrix,
#                mask=bic_matrix.isnull(),
#                ax=ax,
#                annot=True,
#                fmt='.2f')
# ax.set_title('Bic')
# bic_matrix.stack()
# p,q=bic_matrix.stack().idxmin() #最小值的索引
# print('用BIC方法得到最优的p值是%d,q值是%d'%(p,q))

##3 参数调优：AIC
pmax=int(len(d1_sale)/200)
qmax=int(len(d1_sale)/200)

aic_matrix=[]
for p in range(pmax+1):
    tmp=[]
    for q in range(qmax+1):
        try:
            tmp.append(ARIMA(sale,order=(p,1,q)).fit().aic)
            print("times", "p", p, "q", q)
        except:
            tmp.append(None)

    aic_matrix.append(tmp)
aic_matrix=pd.DataFrame(aic_matrix)
p,q=aic_matrix.stack().idxmin() #最小值的索引
print('用AIC方法得到最优的p值是%d,q值是%d'%(p,q))

##测试
# data=pd.DataFrame([1,2,1,2])
# sale_arima=sale.iloc[:,[0]]
# model=ARIMA(sale,order=(0,0,1)).fit().aic

"""建模及预测"""
model=ARIMA(train_sale,order=(3,1,3)).fit()
##残差检验
resid=model.resid
##1
#自相关图
plot_acf(resid,lags=35).show()
#解读：有短期相关性，但趋向于零。
#偏自相关图
plot_pacf(resid,lags=20).show()
#偏自相关图
plot_pacf(resid,lags=35).show()

#2 qq图
qqplot(resid, line='q', fit=True).show()

#3 DW检验
print('D-W检验的结果为：',sm.stats.durbin_watson(resid.values))
#解读：不存在一阶自相关

#4 LB检验
print('残差序列的白噪声检验结果为：',acorr_ljungbox(resid,lags=1))#返回统计量、P值
#解读：残差是白噪声 p>0.05
# confint,qstat,pvalues = sm.tsa.acf(resid.values, qstat=True)

###预测
print('未来6小时的预测：')
forecastdata=model.forecast(6) #预测、标准差、置信区间
# forecastdata=forecastdata[:]
# forecast=pd.Series(np.array(forecastdata),index=pd.date_range('2019/02/28',periods=70,freq='D'))
# forecast=forecast.to_frame()
# forecast2=forecast.reindex(columns=["Price"])
forecast=pd.DataFrame(np.array(forecastdata),index=pd.date_range('1994/11/22',periods=6,freq='D'),columns=["Price"])
data=pd.concat((train_sale,forecast),axis=0)
# data.columns=['历史值','未来预测值']
print(data)
plt.figure(figsize=(10,6))
# data.plot()
plt.plot(np.array(train_sale),)
plt.show()


#
# ###
# # test_sale_plot=test_sale.iloc[:,[0]].values.T
# plt.figure(figsize=(16,10))
# forecast.plot()
# # test_sale.plot(color="red")
# # plt.plot(test_sale_plot)
# plt.show()
木星健谈能手
关注
[python] 时间序列分析之ARIMA
CV前沿
11-03 22万+
时间序列建模基本步骤 1. 获取被观测系统时间序列数据； 2. 对数据绘图，观测是否为平稳时间序列；对于非平稳时间序列要先进行**d阶差分运算**，化为平稳时间序列； 3. 经过第二步处理，已经得到平稳时间序列。要对平稳时间序列分别求得其**自相关系数ACF** 和**偏自相关系数PACF** ，通过对自相关图和偏自相关图的分析，得到最佳的**阶层 p **和**阶数 q** 4. 由以上得到的$d、q、
python-ARIMA
u010970317的博客
04-28 535
import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA from statsmodels.tsa.stattools import adfuller, acf, pacf from statsmodels.graphics.tsaplots import plot_acf,plot_pacf from statsmodels.stats.diagnostic impor
【数模】ARIMA时间序列预测模型（python代码）
最新发布
2301_79791432的博客
07-28 1974
💜本人是我们组的编程手，本博客只为记录自己学习的过程，大家可以参考学习！💜我用的数据中下面的截图日期一列应加入/符号分开年月日（2022/03/15），不然出错。
Python——ARIMA
lili_wuwu的博客
09-12 5085
from statsmodels.tsa.stattools import adfuller from statsmodels.tsa.seasonal import seasonal_decompose from statsmodels.tsa.stattools import acf,pacf from statsmodels.tsa.arima_model import ARIMA ...
Python实现时间序列ARIMA模型（附带超详细理论知识和完整代码实现）
韩江雪de 小屋
04-15 1万+
时间序列分析的基本思想：寻找系统的当前值与其过去的运行记录（观察数据）的关系，建立能够比较精确地反映时间序列中动态依存关系的数学模型，并借此对系统的未来行为进行预报。ARIMA模型（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；
ARIMA模型：Python实现
weixin_39753819的博客
01-26 7010
p：自回归部分的阶数（AR阶数）。d：差分操作的次数。q：移动平均部分的阶数（MA阶数）。ARIMA模型的基本思想是通过对时间序列进行差分操作，使其变为平稳序列，然后利用自回归和移动平均的组合来建模。
Python中的时间序列分析模型ARIMA
csdn1561168266的博客
08-22 1252
大家好，时间序列分析广泛用于预测和预报时间序列中的未来数据点，ARIMA模型被广泛用于时间序列预测，并被认为是最流行的方法之一。ARIMA方法明确适用于时间序列中的常见结构，为进行精确的时间序列预测提供了简单而强大的方法。总而言之，ARIMA模型为建模时间序列数据提供了结构化和可配置的方法，用于预测等目的，接下来将介绍如何在Python中拟合ARIMA模型。本示例的滚动预测ARIMA模型在简单实现的基础上显示出了100%的改进，产生了令人印象深刻的结果。如果模型拟合良好，残差应该是不相关且服从正态分布的。
时间序列预测讲义（ARIMA&LSTM;）及python代码
06-13
本讲义主要探讨了两种常用的时间序列预测模型：ARIMA（自回归积分滑动平均模型）和LSTM（长短期记忆网络），并结合Python编程实践进行了深入讲解。 ARIMA模型是基于线性统计模型的时间序列预测方法，它结合了自回归...
ZIP_danger1t1_turnazi_arima_python时间序列预测_ARIMA预测_
09-28
在时间序列分析中，ARIMA（自回归整合滑动平均模型）是一种常用的方法，尤其在预测未来的趋势和波动方面。本资源围绕“ZIP_danger1t1_turnazi_arima_python时间序列预测_ARIMA预测”这一主题，提供了一个使用Python...
Python时间序列分析测试数据及代码.zip
05-24
本压缩包"Python时间序列分析测试数据及代码.zip"包含了相关测试数据和实际的Python代码，帮助我们深入理解和实践这一主题。 首先，我们要了解什么是时间序列分析。时间序列是一组按时间顺序排列的数据点，每个数据...
arima python
03-23
ARIMA模型（英语：AutoregressiveIntegratedMovingAverage 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），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）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤
ARIMA模型 Python
07-26
关于ARIMA模型时间序列分析，以及该模型在Python中的相关使用
ARIMA算法（基于Python编程语言实现）
04-06
# 设置p阶，q阶范围 # product p,q的所有组合 # 设置最好的aic为无穷大 # 对范围内的p,q阶进行模型训练，得到最优模型 全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法 ，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归， p为自回归项; MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。
arima预测python程序
04-10
资源为python版的arima模型代码，后面也会上传代码中使用的数据集
python：Arima
06-30
python的ARIMA预测，初学者安装好anaconda直接运行。
通过Python进行时间序列的分析与预测.pdf
08-29
本资料《通过Python进行时间序列的分析与预测》由Changquan Huang和Alla Petukhina共同撰写，旨在为读者提供应用Python进行时间序列分析和预测的全面指导。 首先，了解时间序列的基本概念至关重要。时间序列是由...
【项目实战】基于Python实现时间序列分析建模(ARIMA模型)项目实战
热门推荐
胖哥真不错的博客
11-01 1万+
说明：这是一个机器学习实战项目（附带数据+代码+文档+代码讲解），如需数据+代码+文档+代码讲解可以直接到文章最后获取。 1.项目背景 当今世界正处于一个数据信息时代，随着后续互联网的发展各行各业都会产生越来越多的数据，包括不限于商店、超市、便利店、餐厅等等。那么这里面很多数据都是随着时间产生的，这就形成了时间序列数据，而且很多时间序列数据都是非平稳时间序列数据。目前对非平稳时间序列分析应用最多的模型就是ARIMA模型，本项目也是通过Python程序来进行数据探索性分析、数据预处...
数学建模——ARIMA时间序列预测模型Python代码
qq_45934521的博客
07-21 8782
import pandas # 读取数据，指定日期为索引列 data = pandas.read_csv( 'D:\\DATA\\pycase\\number2\\9.3\\Data.csv' , index_col='日期' ) # 绘图过程中 import matplotlib.pyplot as plt # 用来正常显示中文标签 plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示负号 plt.r..
python ARIMA aic bic
09-08
ARIMA (Autoregressive Integrated Moving Average) model is a popular time series forecasting model that combines autoregressive (AR), differencing (I), and moving average (MA) components. The AIC (Akaike Information Criterion) and BIC (Bayesian Information Criterion) are two common criteria used for model selection in ARIMA. AIC and BIC are both measures of the goodness-of-fit of a statistical model. They take into account both the model's performance and the complexity of the model. The lower the value of AIC or BIC, the better the model is considered to be. In ARIMA modeling, AIC and BIC can be used to compare different ARIMA models and select the one that provides the best fit to the data. These criteria help in avoiding overfitting by penalizing complex models that may not improve the forecasting performance significantly. To calculate AIC and BIC for an ARIMA model, you can use the following formulas: AIC = -2 * log-likelihood + 2 * p BIC = -2 * log-likelihood + log(n) * p where log-likelihood is the log-likelihood function value of the model, p is the number of parameters in the model, and n is the number of observations in the time series data. In Python, you can obtain AIC and BIC values for an ARIMA model using the `statsmodels` library. After fitting an ARIMA model to your data, you can use the `aic` and `bic` attributes of the fitted model to access these values. Here's an example code snippet: ```python import statsmodels.api as sm # Fit ARIMA model to your time series data model = sm.tsa.ARIMA(data, order=(p, d, q)) results = model.fit() # Get AIC and BIC values aic = results.aic bic = results.bic ``` Replace `data` with your actual time series data, and `p`, `d`, `q` with the order parameters of your ARIMA model. Remember, AIC and BIC are just two of many possible criteria for model selection. It's always recommended to consider other factors such as forecasting accuracy, interpretability, and practical applicability of the model in addition to AIC and BIC.
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

木星健谈能手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值