Python如何通过ARIMA模型进行时间序列分析预测

ARIMA模型预测

时间序列分析预测就是在已有的和时间有关的数据序列的基础上构建其数据模型并预测其未来的数据，例如航空公司的一年内每日乘客数量、某个地区的人流量，这些数据往往具有周期性的规律。

如下图所示，有的数据呈现出简单的周期性循环，有的呈现出周期性循环变化。

    

ARIMA（Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型）不仅可以很好地对已有数据进行拟合，并且还可以在此基础上对未来数据进行预测。

其函数原型为：ARIMA(data,order=(p,d,q))，因此除了需要传入原始数据data之外，还需要三个参数p、d、q，这三个参数与ARIMA的原理有关。

ARIMA可以拆分为AR、I、MA，分别对应p、d、q三个参数。

1.AR（AutoRegressive，自回归模型）描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归过程的公式定义：