独家 | 利用Auto ARIMA构建高性能时间序列模型（附Python和R代码）

作者：AISHWARYA SINGH

翻译：陈之炎

校对：丁楠雅

本文共3400字，建议阅读10+分钟。
本文介绍了ARIMA的概念，并带你用Python和R训练一个数据集实现它。

简介

想象你现在有一个任务：根据已有的历史数据，预测下一代iPhone的价格，可使用的特征包括季度销售、月度支出以及苹果资产负债表上的一系列内容。作为一名数据科学家，你会把这个问题归类为哪一类问题？当然是时间序列建模。

从预测产品销售到估算家庭用电量，时间序列预测是任何数据科学家都应该知道——哪怕不是熟练掌握——的核心技能之一。你可以使用多种不同的方法进行时间序列预测，我们将在本文中讨论Auto ARIMA，它是最为有效的方法之一。

 

首先，我们来了解一下ARIMA的概念，然后再进入正题——Auto ARIMA。为了巩固概念，我们将使用一个数据集，并用Python和R实现它。

目录

一、什么是时间序列？

二、时间序列预测的方法

三、ARIMA简介

四、ARIMA实现步骤

五、为什么需要Auto ARIMA？

六、用Auto ARIMA实现案例(航空乘客数据集)

七、Auto ARIMA如何选择参数？

如果你熟悉时间序列及其常用方法(如移动平均、指数平滑和ARIMA)，则可以直接跳到第4节。对于初学者，请从下面这一节开始，内容包括对时间序列和各种预测方法的简要介绍。

一、什么是时间序列？

在我们学习如何处理时间序列数据之前，首先应理解什么是时间序列，以及它与其他类型的数据的区别。时间序列的正式定义如下：它是一系列在相同时间间隔内测量到的数据点。

简言之，时间序列是指以固定的时间间隔记录下的特定的值，时间间隔可以是小时、每天、每周、每10天等等。时间序列的特殊性是：该序列中的每个数据点都与先前的数据点相关。我们通过下面几个例子来更清楚地理解这一点。

 

• 例1：

假设你从某公司获得了一个贷款人员的数据集(如下表所示)。你认为每一行都与前面的行相关吗？当然不是！一个人的贷款金额取决于他的经济状况和需要(可能还有其他因素，如家庭规模等，但为了简单起见，我们只考虑收入和贷款类型)。此外，这些数据不是在特定时间间隔内收集的，它仅与公司何时收到贷款申请相关。

 

• 例2：