ARIMA模型参数选择

已于 2024-06-12 19:57:29 修改
阅读量591 收藏 10
点赞数 3
文章标签： python
于 2024-04-29 15:27:09 首次发布
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_51945465/article/details/138314355
版权

进行时间数据分析，预测’____up(m)'未来的趋势。

import pandas as pd

# 加载数据
data_csv = pd.read_csv('gps_CRIM.csv')

# 查看数据集信息、前几行数据和缺失值情况
data_csv.info(), data_csv.head(), data_csv.isna().sum()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3990 entries, 0 to 3989
Data columns (total 4 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   YYMMMDD    3990 non-null   object 
 1   u0(m)      3990 non-null   int64  
 2   ____up(m)  3990 non-null   float64
 3   sig_u(m)   3990 non-null   float64
dtypes: float64(2), int64(1), object(1)
memory usage: 124.8+ KB
(None,
       YYMMMDD  u0(m)  ____up(m)  sig_u(m)
 0  2006-01-01   1147   0.439932  0.001941
 1  2006-01-02   1147   0.355423  0.002419
 2  2006-01-03   1147   0.332316  0.001952
 3  2006-01-04   1147   0.365921  0.002795
 4  2006-01-05   1147   0.377186  0.001961,
 YYMMMDD      0
 u0(m)        0
 ____up(m)    0
 sig_u(m)     0
 dtype: int64)

# 类型转换
data_csv['YYMMMDD'] = pd.to_datetime(data_csv['YYMMMDD'])

# 按照时间进行排序
data_csv.sort_values('YYMMMDD', inplace=True)

# 选用前1500条数据进行预测
real_data = data_csv[1500:1510]
data_csv = data_csv[:1500]

data_csv['YYMMMDD'].info(), data_csv['YYMMMDD'].head()

 <class 'pandas.core.series.Series'>
Int64Index: 1500 entries, 0 to 1499
Series name: YYMMMDD
Non-Null Count  Dtype         
--------------  -----         
1500 non-null   datetime64[ns]
dtypes: datetime64[ns](1)
memory usage: 23.4 KB
(None,
 0   2006-01-01
 1   2006-01-02
 2   2006-01-03
 3   2006-01-04
 4   2006-01-05
 Name: YYMMMDD, dtype: datetime64[ns])

时序图

import matplotlib.pyplot as plt

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']

# 显示减号
plt.rcParams['axes.unicode_minus'] = False

plt.figure(figsize=(12, 4))

# 绘制时序图
plt.plot(data_csv['YYMMMDD'], data_csv['____up(m)'])

plt.title('')
plt.xlabel('')
plt.ylabel('时间')

plt.show()

在这里插入图片描述

ACF

计算滞后n阶的自相关性。
acf(x=data_csv['____up(m)'], nlags=80)

from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.tsa.stattools import acf

# 绘制自相关图
plot_acf(data_csv['____up(m)'], lags=80, alpha=1)

plt.show(), acf(x=data_csv['____up(m)'], nlags=80)

在这里插入图片描述
自相关系数在滞后50阶后出现截尾现象，q可以选择50。
也可以选择偏小一点的数值，防止计算量过大。

PACF

计算偏自相关性
pacf(x=data_csv['____up(m)'], nlags=50)

from statsmodels.graphics.tsaplots import plot_pacf
from statsmodels.tsa.stattools import pacf

# 绘制偏自相关图
plot_pacf(data_csv['____up(m)'], lags=50, alpha=1, title='Close')

plt.show(), pacf(x=data_csv['____up(m)'], nlags=50)

在这里插入图片描述

偏自相关系数在滞后11阶后出现拖尾现象，p可以选择11。

ADF检验

  • ADF统计量越小，p值越接近0（小于0.05），时间序列越平稳。
  • 进模数据一定要是平稳非白噪声序列，可通过差分、去噪等进行转换。
from statsmodels.tsa.stattools import adfuller

display(adfuller(data_csv['____up(m)']))

(-11.56998971018061,
 3.1189970775789195e-21,
 22,
 1477,
 {'1%': -3.434785139702456,
  '5%': -2.863498825305098,
  '10%': -2.5678128583805213},
 -19.909683507237332)

白噪声检验

  • 检验结果大于0.05认为是白噪声序列。
from statsmodels.stats.diagnostic import acorr_ljungbox

acorr_ljungbox(x=data_csv['____up(m)'])
lb_statlb_pvalue
140.9768211.540454e-10
274.8283915.639250e-17
387.2574638.501946e-19
489.8474961.418735e-18
592.4417792.061391e-18
695.0432622.707965e-18
797.8621702.979749e-18
8109.9135233.966516e-20
9138.8300441.798920e-25
10151.7141921.654455e-27
  • ARIMA模型的参数 (p, d, q)
  • p (AR阶数，Autoregressive Order): 表示模型中自回归项的阶数，即考虑多少个滞后时间点的值。如果p为2，那么模型将考虑过去两个时间点的值。
  • d (差分阶数，Differencing Order): 表示进行差分的次数，即为使时间序列平稳而需要减去的阶数。平稳的时间序列在统计性质上是恒定的，差分可用于使非平稳的时间序列变得平稳。
  • q (MA阶数，Moving Average Order): 表示模型中移动平均项的阶数，即考虑多少个滞后时间点的误差。

观察自相关函数(ACF)和偏自相关函数(PACF)： 这两个函数提供了关于时间序列结构的信息。ACF表示序列与其过去的值之间的相关性，PACF显示了在去除之前滞后效应后，序列与当前值的相关性。根据这些函数的图形，可以选择p和q的值。

ARIMA模型

from statsmodels.tsa.arima.model import ARIMA

# 将时间作为索引
data_csv.set_index('YYMMMDD', inplace=True)
df = data_csv[['____up(m)']]

# 拟合ARIMA模型
order = (11, 0, 45)
model = ARIMA(df, order=order)
results = model.fit()

# 预测未来数据点
forecast_steps = 10
forecast = results.get_forecast(steps=forecast_steps)
pred_data = forecast.predicted_mean.values

# 获取预测值
pred_date = pd.date_range(start=data_csv.index.max(),
                          periods=forecast_steps+1, freq='D')[1:]

# 构建预测结果的DataFrame
pred_values = pd.DataFrame(data={'预测值': pred_data}, index=pred_date)
pred_values

		    预测值
2010-02-09	0.499128
2010-02-10	0.383708
2010-02-11	0.358357
2010-02-12	0.373567
2010-02-13	0.397197
2010-02-14	0.387956
2010-02-15	0.465801
2010-02-16	0.600334
2010-02-17	0.676649
2010-02-18	0.357798

可视化

plt.figure(figsize=(12, 4))
plt.plot(real_data.set_index('YYMMMDD')[['____up(m)']], 'o-', label='真实值')
plt.plot(pred_values, 'o-', label='预测值')

plt.legend()
plt.show()

在这里插入图片描述

信息准则自动计算

from pmdarima import auto_arima
from statsmodels.tsa.arima.model import ARIMA

# 使用AIC信息准则自动计算最佳的p, d, q参数
auto_model = auto_arima(df, information_criterion='aic')

# 得到最优的ARIMA模型参数
order = auto_model.order

# 拟合模型
model = ARIMA(df, order=order)
model_fit = model.fit()

# 预测未来10个时间点的值
forecast = model_fit.forecast(steps=10)
forecast

2010-02-09    0.483372
2010-02-10    0.596597
2010-02-11    0.534796
2010-02-12    0.345579
2010-02-13    0.094665
2010-02-14    0.519095
2010-02-15    0.271998
2010-02-16    0.229052
2010-02-17    0.361803
2010-02-18    0.346819
Freq: D, Name: predicted_mean, dtype: float64

plt.figure(figsize=(12, 4))
plt.plot(real_data.set_index('YYMMMDD')[['____up(m)']], 'o-', label='真实值')
plt.plot(forecast, 'o-', label='预测值')

plt.legend()
plt.show()

在这里插入图片描述

浉河区的“小学生”
关注
时间序列ARIMA模型的拟合、模型定阶、参数估计和预测
2301_78852561的博客
12-02 3906
单位根检验结果来看，可以判定其为带趋势的平稳时序数据，白噪声检验结果为非白噪声。可以考虑对时序数据进行差分，提取趋势信息。从相关图可以得到：自相关系数一阶截尾，偏自相关系数拖尾，可以考虑用MA(1)来拟合差分后的数据并进行参数估计。本文主要使用SAS模型进行时间序列数据的模型ARIMA模型的拟合和定阶。从图中，可以直观判断时间序列PP数据为带有一定趋势性时间序列数据。从运行结果可以看到，模型显著参数显著。白噪声检验结果为该序列为白噪声序列，残差的白噪声检验，显示为白噪声序列。差分后的数据已经没有趋势信息。
在R网格搜索与自动Arima中设置Arima模型参数
weixin_26730921的博客
08-19 1743
总览 (Overview) One of the most popular ways of representing and forecasting time series data is through Autoregressive Integrated Moving Average (ARIMA) models. These models are defined by three param...
时间序列--ARIMA（寻找最优参数
kylin_learn的博客
12-27 1万+
1.评估ARIMA模型 分为训练集合测试集，在测试集上比较预测值和真实值的mse 注意：因为ARIMA只能预测一步，所以多一步预测，我们要滚动着来，建立了很多同参数的ARIMA模型，这体现在代码的history.append() # evaluate an ARIMA model for a given order (p,d,q) def evaluate_arima_model(X, a...
ARIMA参数判定
what_how_why2020的博客
03-01 1万+
在分析时间序列数据的ARIMA模型中，最重要的一步便是模型参数的判定。存在两种选定模型参数的方法，一是，借助ACF、PACF图的截尾、拖尾的阶数以及AIC、BIC等信息准则；二是，迭代p、q的值，并结合信息准则...
Python时间序列--ARIMA模型参数选择（六）
jaffe507的博客
04-29 8188
ARIMA模型参数选择流程 import pandas as pd import numpy as np # TSA from Statsmodels import statsmodels.api as sm import statsmodels.formula.api as smf import statsmodels.tsa.api as smt # Display and Plottin...
时间序列预测之--ARIMA模型
weixin_30908707的博客
05-08 1万+
什么是 ARIMA模型 ARIMA模型的全称叫做自回归移动平均模型，全称是(ARIMA, Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列 预测的模型。 1. ARIMA的优缺点 优点： 模型十分简单，只需要内生变量而不需要借助其他外生变量。 缺...
Python时间序列--ARIMA模型参数选择（五）
jaffe507的博客
04-29 9593
自回归模型(AR) 自回归模型的限制 移动平均模型（MA） ARIMA(p，d，q)模型全称为差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model,简记ARIMA) 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 原理：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...
Matlab-arima.rar_ARIMA模型_arima+matlab_arima模型Matlab_matlab-arima
07-13
3. 模型估计：使用极大似然法或者最小二乘法估计模型参数。 4. 模型诊断：通过残差分析检查模型的合理性，包括残差的独立性、正态性和方差齐性。 5. 模型选择与验证：通过AIC（Akaike Information Criterion）或...
ARIMA模型-matlab代码[可以根据自己的实际情况进行参数调节]
09-26
ARIMA模型，全称为自回归整合滑动平均模型（Autoregressive Integrated Moving Average Model），是...在使用提供的`arima11`文件时，你可以按照上述方法进行操作，根据具体需求调整模型参数，以获得更精确的预测结果。
ARIMA model_feetrl4_arima_ARIMA模型_ARIMA模型预测_arimaR语言_
09-29
在R语言中，实现ARIMA模型主要依赖于`forecast`包，它提供了`auto.arima()`函数，可以自动选择最佳的ARIMA参数（p, d, q），其中p是自回归项的阶数，d是差分次数，q是滑动平均项的阶数。这个自动选择过程基于AIC...
ARIMA预测算法——freq参数的选择
枫树林下
02-23 2968
时间序列分析（3）| ARMA模型的拟合
R语言学堂
11-13 1万+
本篇来介绍根据已有的时间序列数据来拟合ARMA模型。需要说明的是不同阶数的ARMA模型可能近似或完全等价，因此模型估计的结果也不是唯一的；筛选标准通常遵守简练性原则。1 arima()函数...
时间序列分析实战（七）：多个变量的ARIMA模型拟合
jd1813346972的博客
02-28 2293
为研究国民生产总值与货币供应量及利率的关系。现收集到1954年1月至1987年10月M1货币量对数序列，美国月度国民生产总值对数序列，以及短期利率和长期利率序列，部分数据见表1。该篇文章主要对四个序列分别研究其单整性及按照实际情况拟合ARIMA模型，后续将研究研究这些变量的格兰杰因果关系及协整关系。
R语言拟合ARIMA模型
热门推荐
weixin_45590329的博客
01-13 1万+
对于时间序列数据，常常需要用ARIMA模型作出拟合。本文使用R语言对客运量数据作出ARIMA拟合，提供一个一般化的ARIMA模型模板。 在开始前，安装并导入必要的包 install.packages('fUnitRoots')#安装单位根检验包 library(fUnitRoots) install.packages('tseries') library(tseries) install.packages('forecast')#安装预测用的包 library(forecast) 1.读取数据并画图 d
ARIMA（Autoregressive Integrated Moving Average Model）
weixin_39910711的博客
05-04 1万+
对时间序列数据进行分析和预测比较完善和精确的算法是博克思-詹金斯(Box-Jenkins)方法，其常用模型包括：自回归模型（AR模型）、滑动平均模型（MA模型）、（自回归-滑动平均混合模型）ARMA模型、（差分整合移动平均自回归模型）ARIMA模型。 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），是时间序列预测分析方法之一。AR...
arima模型怎么拟合_7个统计测试，用于验证和帮助拟合ARIMA模型
weixin_26713521的博客
09-02 1536
arima模型怎么拟合 什么是ARIMA？ (What is ARIMA?) ARIMA models are one of the most classic and most widely used statistical forecasting techniques when dealing with univariate time series. It basically uses the ...
Python世界：力扣29题两数相除算法实践
最新发布
来知晓的博客
09-13 161
除法运算本质是减法，从理解原理到真正实现还是有距离，建议初步理解后，不参考任何代码，完全自己复现一遍，体会更深。注意提示：目的就是提醒越界问题：-2^31/-1=2&31，超过了整数表达范围。本问题来自于力扣29题，在做完大数相乘后，顺带也看下两数相除。将两数相除，要求不使用乘法、除法和 mod 运算符。给定两个整数，被除数。
蒙特卡罗方法——布丰投针实验近似计算圆周率python代码实现
2301_79376014的博客
09-09 442
蒙特卡罗——布丰实验
使用statsmodels.tsa.arima.model.ARIMA模型进行一个时间序列预测
03-31
以下是使用statsmodels.tsa.arima.model.ARIMA模型进行时间序列预测的步骤： 1. 导入必要的库和数据集： ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA # 读取数据集 df = pd.read_csv('data.csv') ``` 2. 对数据集进行预处理和可视化： ```python # 将日期列设置为索引 df = df.set_index(pd.to_datetime(df['date'])) # 绘制时间序列图 plt.plot(df['value']) plt.show() ``` 3. 拟合ARIMA模型： ```python # 拟合ARIMA模型 model = ARIMA(df['value'], order=(1,1,1)) result = model.fit() # 输出模型统计信息 print(result.summary()) ``` 4. 预测未来时间点的值： ```python # 预测未来12个时间点的值 forecast = result.forecast(steps=12) # 输出预测结果 print(forecast) ``` 5. 可视化预测结果： ```python # 绘制预测结果图 plt.plot(df['value']) plt.plot(forecast, color='red') plt.show() ``` 注意，这里的order参数表示ARIMA模型的(p,d,q)参数，其中p表示AR模型的阶数，d表示差分次数，q表示MA模型的阶数。可以根据实际情况进行调整。
评论
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
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