ARIMA 时间序列2: 评估和参数选择

最新推荐文章于 2024-08-15 15:27:26 发布

弎见

最新推荐文章于 2024-08-15 15:27:26 发布

阅读量3.9k

点赞数 2

分类专栏：机器学习进阶文章标签：机器学习 python smt

本文链接：https://blog.csdn.net/sanjianjixiang/article/details/103940764

版权

本文探讨了ARIMA模型在时间序列预测中的应用，从SARIMA到SARIMAX，强调了季节性和外部因素的影响。文章通过AIC和BIC准则选择更简洁的模型，并对模型残差进行了正态性检验，利用QQ图验证残差是否符合正态分布。

摘要由CSDN通过智能技术生成

ARIMA -> SARIMA -> SARIMAX：
S是Seasonal，就是季节性、周期性的意思
X是eXogenous，外部信息的意思
季节性参数：
P：季节性自回归阶数。
D：季节性差分阶数。
Q：季节性移动平均阶数。
m：单个季节期间的时间步数。

import numpy as np
import pandas as pd
import matplotlib.pylab as pl
import seaborn as sns
%matplotlib inline
sns.set(style = 'ticks', context = 'poster')

pd.set_option('display.float_format', lambda x: '%.5f' % x)
np.set_printoptions(precision = 5, suppress = True)

filename_ts = 'data/series1.csv'
ts_df = pd.read_csv(filename_ts, index_col = 0, parse_dates = [0])
n_sample = ts_df.shape[0]

print(ts_df.shape)
ts_df.head(6)

在这里插入图片描述

# 训练集和测试集

n_train = int(0.95 * n_sample) + 1
n_test = n_sample - n_train

ts_train = ts_df.iloc[:n_train]['value']
ts_test = ts_df.iloc[n_train:]['value']
print(ts_train.shape)
print(ts_test.shape)
print('Training Series:', '\n&#