Python ARIMA时间序列模型预测航空公司的乘客数量

于 2022-09-20 16:16:10 发布
阅读量542 收藏 10
点赞数
文章标签： python 机器学习 开发语言 人工智能
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/tecdat/article/details/129391954
版权

全文下载链接：http://tecdat.cn/?p=20742

在本文中，时间序列 被定义为一系列按时间顺序索引的数据点。时间顺序可以是每天，每月或每年。

相关视频

以下是一个时间序列示例，该示例说明了从1949年到1960年每月航空公司的乘客数量。

417ec4c5d885a55a3317ce12983fffee.png

时间序列预测

时间序列预测是使用统计模型根据过去的结果预测时间序列的未来值的过程。

一些示例

  • 预测未来的客户数量。

  • 解释销售中的季节性模式。

  • 检测异常事件并估计其影响的程度。

  • 估计新推出的产品对已售出产品数量的影响。

时间序列的组成部分：

代码：航空公司乘客的ETS分解数据集：

# 导入所需的库

import numpy as np


  

# 读取AirPassengers数据集

airline = pd.read_csv('data.csv',

                       index_col ='Month',

                       parse_dates = True)

  

# 输出数据集的前五行

airline.head()

  

# ETS分解


# ETS图

result.plot()

 输出：

34afbb68c7b100294e5259f27004f197.png

f2bde90c7f45d233ddde6a01f1ab7f32.png

点击标题查阅往期内容

033025b62ea0ea1c936661fa187d517f.jpeg

Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测

outside_default.png

左右滑动查看更多

outside_default.png

01

92000701f9963b1a194b74a8a8632438.png

02

ffe7d6c6ea894a69613f98645071ada2.png

03

8df42b608341f3476b5d15f1b76a54e3.png

04

73a450dfdfe654a6b8205c6975060a83.png

ARIMA时间序列预测模型

ARIMA代表自回归移动平均模型，由三个阶数参数 _（p，d，q）指定。_

ARIMA模型的类型

自动ARIMA

“ auto_arima” 函数 可帮助我们确定ARIMA模型的最佳参数，并返回拟合的ARIMA模型。

代码：ARIMA模型的参数分析

# 忽略警告

import warnings

warnings.filterwarnings("ignore")

  

# 将自动arima函数拟合到AirPassengers数据集

autoarima(airline['# Passengers'], start_p = 1, start_q = 1,

                          max_p = 3, max_q = 3, m = 12,



                          stepwise = True          # 设置为逐步

  

# 输出摘要

stepwise_fit.summary()

输出：
fdc1c1043c18788dac0a02274b52d01d.png

代码：将ARIMA模型拟合到AirPassengers数据集

# 将数据拆分为训练/测试集


test = iloc[len(airline)-12:] # 设置一年（12个月）进行测试

  

# 在训练集上拟合一个SARIMAX（0，1，1）x（2，1，1，12）


  
SARIMAX(Passengers, 

                order = (0, 1, 1), 

                seasonal_order =(2, 1, 1, 12



result.summary()

输出：
e20eb01d2b840d2745ffed96b8f768c0.png

代码：ARIMA模型对测试集的预测

# 针对测试集的一年预测

predict(start, end,

                          
  

#绘图预测和实际值

predictions.plot

输出：

081d9a5af82b06f0efa2873316e33f0a.png

代码：使用MSE和RMSE评估模型

# 加载特定的评估工具
# 计算均方根误差

rmse(test["# Passengers"], predictions)

  

# 计算均方误差

mean_squared_error(test["# Passengers"], predictions)

输出：

代码：使用ARIMA模型进行预测

# 在完整数据集上训练模型


result = model.fit()

  

# 未来3年预测
result.predict(start = len(airline), 

                          end = (len(airline)-1) + 3 * 12, 


  

# 绘制预测值
forecast.plot(legend = True)

输出：

20c536aed890705bb8e420669fd90baa.png

  • 趋势：趋势显示了长时间序列数据的总体方向。趋势可以是增加（向上），减少（向下）或水平（平稳）。

  • 季节性：季节性成分在时间，方向和幅度方面表现出重复的趋势。一些例子包括由于炎热的天气导致夏季用水量增加，或每年假期期间航空公司乘客人数增加。

  • 周期性成分： 这些是在特定时间段内没有稳定重复的趋势。周期是指时间序列的起伏，通常在商业周期中观察到。这些周期没有季节性变化，但通常会在3到12年的时间范围内发生，具体取决于时间序列的性质。

  • 不规则变化： 这些是时间序列数据中的波动，当趋势和周期性变化被删除时，这些波动变得明显。这些变化是不可预测的，不稳定的，并且可能是随机的，也可能不是随机的。

  • ETS分解
    ETS分解用于分解时间序列的不同部分。ETS一词代表误差、趋势和季节性。

  • AR（_p_）自回归 –一种回归模型，利用当前观测值与上一个期间的观测值之间的依存关系。自回归（_AR（p）_）分量是指在时间序列的回归方程中使用过去的值。

  • I（_d_） –使用观测值的差分（从上一时间步长的观测值中减去观测值）使时间序列稳定。差分涉及将序列的当前值与其先前的值相减d次。

  • MA（_q_）移动平均值 –一种模型，该模型使用观测值与应用于滞后观测值的移动平均值模型中的残留误差之间的相关性。移动平均成分将模型的误差描述为先前误差项的组合。 _q_ 表示要包含在模型中的项数。

  • ARIMA：非季节性自回归移动平均模型

  • SARIMA：季节性ARIMA

  • SARIMAX：具有外生变量的季节性ARIMA

9c2778df6c9585b8ae706105e78e2345.jpeg

点击文末“阅读原文”

获取全文完整资料。

本文选自《Python | ARIMA时间序列模型预测航空公司的乘客数量》。

6fdbd14ec7407e0d3eaf69db2d1655d5.jpeg

本文中的乘客数据分享到会员群，扫描下面二维码即可加群！

2b8eb6699ce82182d64152adcd2ea891.png

点击标题查阅往期内容

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

R语言GARCH模型对股市sp500收益率bootstrap、滚动估计预测VaR、拟合诊断和蒙特卡罗模拟可视化

R语言单变量和多变量（多元）动态条件相关系数DCC-GARCH模型分析股票收益率金融时间序列数据波动率

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

GARCH-DCC模型和DCC（MVT）建模估计

R语言预测期货波动率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比较

ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

Garch波动率预测的区制转移交易策略

金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化

Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测

R语言极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH（1,1），MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型

a057964753c076a9a09fa4d49f647141.png

32687ee1ab0ca8018c11c62f4506d4ee.jpeg

fb270a0457d2cee19b4a31b92383d91c.png

拓端研究室TRL
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
博客
【专题】2024电动汽车充电市场展望报告合集PDF分享（附原数据表）
05-23 6
原文链接：https://tecdat.cn/?p=36248报告合集阐述，随着欧洲与中国在轻型和中重型车辆电动化监管政策上的逐步清晰化，预计到2035年，欧洲地区小于6吨的轻型电动车在新车市场中的份额将飙升至96%，而中国则有望达到78%（查看文末了解专题报告合集PDF版本免费获取方式）。同时，对于中重型电动车领域，欧洲和中国的新车渗透率将分别攀升至62%和41%。阅读原文，获取专题报告合集全文...
博客
【专题】2024年汽车营销趋势白皮书报告合集PDF分享（附原数据表）
05-22 15
原文链接：https://tecdat.cn/?p=36235根据最新发布的行业白皮书报告合集，一季度汽车类内容在B站的用户规模和内容消费均实现了显著的增长，同比增速均超过50%，这一增速使得汽车类内容成为B站平台上增长最快的品类之一（查看文末了解专题报告合集PDF版本免费获取方式）。这一增长不仅反映了汽车市场的繁荣，也体现了年轻用户对汽车文化的热爱和关注。阅读原文，获取专题报告合集全文，解锁文末...
博客
DeepMTS深度学习神经网络多元时间序列预测宏观经济数据可视化|附数据代码
05-22 663
原文链接：https://tecdat.cn/?p=36237在数据科学领域，时间序列分析一直是一个至关重要的研究方向，尤其在金融、气象、医学以及许多其他科学和工业领域中，准确的时间序列预测对于制定策略、政策规划以及资源管理都具有极其重要的意义（点击文末“阅读原文”获取完整代码数据）。相关视频随着技术的不断进步，传统的时间序列分析方法已经难以满足复杂多变的数据需求。因此，探索更为先进和高效的时间序...
博客
【专题】2024智慧医疗行业研究报告合集PDF分享（附原数据表）
05-21 10
原文链接：https://tecdat.cn/?p=36230医疗信息化正在以医疗服务需求不断升级的大背景下，融合大数据和人工智能等创新技术，不断扩展其范围和定义（查看文末了解专题报告合集PDF版本免费获取方式）。从单一的院内信息化，逐步发展到区域间、不同机构间的数据互联互通与共享应用，涵盖的范围不再仅限于患者的病历信息，还延伸到居民的全生命周期健康数据，以及与健康息息相关的环境等信息，构建更加完...
博客
多状态马尔可夫链、生存分析心脏同种异体移植血管病变（CAV）数据可视化|附数据代码...
05-20 754
原文链接：https://tecdat.cn/?p=36216临床研究和医疗经济学研究中客户经常关注于评估患者在疾病从一种状态发展到另一种状态时的生存预后（点击文末“阅读原文”获取完整代码数据）。相关视频标准生存模型仅直接模拟两种状态：存活和死亡。多状态模型允许直接模拟疾病进程，在这些过程中，患者在随机的时间间隔内处于健康或疾病的各种状态，但除了死亡外，进入或离开状态的时间都是未知的。多状态模型在...
博客
【专题】2024年汽车产业发展报告合集PDF分享（附原数据表）
05-20 9
原文链接：https://tecdat.cn/?p=36213在国内汽车市场，竞争态势正日益激烈。随着消费者对汽车品质和性能要求的不断提高，以及环保意识的增强，国产新能源汽车正快速崛起，成为推动汽车消费市场更新换代的重要力量（查看文末了解专题报告合集PDF版本免费获取方式）。这一变化不仅影响着消费者的购车选择，也促使主机厂和经销商对汽车销售线索的需求愈发迫切。阅读原文，获取专题报告合集全文，解锁文...
博客
Python没有服务器如何部署运行Shiny应用程序
05-17 592
原文链接：https://tecdat.cn/?p=36205随着Web技术的快速发展，越来越多的数据科学家和开发人员倾向于使用Web应用程序进行数据分析和可视化（点击文末“阅读原文”获取完整代码数据）。Shiny for Python作为一种流行的Web应用程序框架，为Python开发人员提供了便捷的数据展示和交互工具。然而，在实际应用中，由于硬件资源或成本限制，有时无法直接使用服务器进行部署。...
博客
【专题】2024小红书餐饮行业方法论报告合集PDF分享（附原数据表）
05-17 14
原文链接：https://tecdat.cn/?p=36199报告合集显示，消费者对餐饮的需求正从单一的口味体验转变为追求更高层次的情绪价值和文化价值（查看文末了解专题报告合集PDF版本免费获取方式）。餐饮不仅是生活的小确幸，更成为社交、休闲和探索的重要场景。小红书凭借其真实、利他、生动、丰富的内容，成为餐饮消费决策的重要影响力量。小红书提出的漂亮饭循环概念，强调的是一种全新的餐饮消费模式。在这里...
博客
短语挖掘与流行度、一致性及信息度评估：基于文本挖掘与词频统计|附数据代码...
05-16 857
全文链接：https://tecdat.cn/?p=36193在信息爆炸的时代，文本数据呈现出爆炸式的增长，从新闻报道、社交媒体到学术论文，无处不在的文本信息构成了我们获取知识和理解世界的重要来源。然而，如何从海量的文本数据中提取有价值的信息，尤其是那些能够反映主题、趋势或情感倾向的短语，成为了文本挖掘领域的一个重要挑战（点击文末“阅读原文”获取完整代码数据）。相关视频短语挖掘作为文本挖掘的一个重...
博客
【专题】2024年中国即时配送行业研究报告合集PDF分享（附原数据表）
05-16 14
原文链接：https://tecdat.cn/?p=36188即时配送服务凭借其无与伦比的高效与便捷，已深深满足了当代社会对于速度和便捷性的双重追求（查看文末了解专题报告合集PDF版本免费获取方式）。据权威报告揭示，即时配送行业规模已突破3400亿元，且预测至2028年，这一数值将飙升至超过8100亿元。阅读原文，获取专题报告合集全文，解锁文末88份即时配送相关行业研究报告。作为即时配送背后的主要...
博客
【专题】2024年消费新潜力白皮书报告合集PDF分享（附原数据表）
05-15 18
原文链接：https://tecdat.cn/?p=361852024年一季度，消费者信心与消费倾向呈现小幅回升，市场消费意愿与信心逐渐恢复，尤其服务消费显著增长，出行修复向好；尽管社会零售复苏缓慢，日用品等消费动力疲弱，但出行与升级类消费已超2019年同期（查看文末了解专题报告合集PDF版本免费获取方式）。国货在服饰美妆、户外运动及黄金珠宝等领域持续崛起，市场份额显著提升。阅读原文，获取专题报告...
博客
【专题】2024中国医疗器械企业全球化发展报告合集PDF分享（附原数据表）
05-14 12
原文链接：https://tecdat.cn/?p=36180中国医疗器械企业在国内市场面临同质化竞争和研发能力薄弱等挑战，而海外市场则展现出巨大的增长潜力和性价比优势。因此，全球化布局对于中国医疗器械企业至关重要（查看文末了解专题报告合集PDF版本免费获取方式）。该报告合集详细分析了这些市场的宏观经济、医疗体系、市场概况和监管体系，回顾了中国医疗器械企业进入这些市场的主要模式，指出了面临的挑战，...
博客
马尔可夫转换MSVAR模型预测资产收益率时间序列可视化分析|附数据代码
05-13 714
原文链接：https://tecdat.cn/?p=36166在现代金融市场中，资产收益率序列的预测一直是投资者和金融机构关注的焦点（点击文末“阅读原文”获取完整代码数据）。相关视频资产收益率的波动不仅反映了市场的风险水平，也直接影响到投资组合的表现和风险管理策略的制定。然而，金融市场的复杂性和不确定性使得资产收益率的预测变得极具挑战性。为了应对这一挑战，研究者们不断探索各种先进的预测模型和方法。...
博客
【专题】2024储能行业营销数据洞察白皮书报告合集PDF分享（附原数据表）
05-13 14
原文链接：https://tecdat.cn/?p=36163储能行业正在经历一个显著的增长阶段，相关企业的数量持续增长，全球储能公司的规模也在迅速扩大。这一趋势在全球范围内都可见，特别是欧美、巴西、印度等国家，它们已成为储能企业的主要分布地区（查看文末了解专题报告合集PDF版本免费获取方式）。与此同时，中国储能企业也凭借其强大的竞争力和创新能力，吸引了大量海外关注者。阅读原文，获取专题报告合集全...
博客
【专题】2024中国创新药械出海趋势与策略白皮书报告合集PDF分享（附原数据表）...
05-11 12
原文链接：https://tecdat.cn/?p=36159中国生物医药BD交易活跃，2023年创新药BD首付款超200亿元，标志国内BD新里程碑。创新药出海面临机遇与挑战，需应对国谈压力与合规短板（查看文末了解专题报告合集PDF版本免费获取方式）。阅读原文，获取专题报告合集全文，解锁文末150份医药相关行业研究报告。中国医疗器械出海势头强劲，但高值耗材和高端设备领域需加强研发创新。药械出海交易...
博客
【视频】多元线性回归模型原理讲解与R语言实例
05-10 731
原文链接：https://tecdat.cn/?p=36149分析师：Xue Yang近年来，随着计量经济学和统计学的快速发展，回归模型作为一种有效的数据分析工具，被广泛应用于金融市场的分析中（点击文末“阅读原文”获取完整代码数据）。视频回归模型能够通过建立变量之间的数学关系，揭示变量之间的相互作用机制，并预测未来趋势。在金融领域，回归模型被用于分析股票价格、市场波动率、风险溢价等多种金融现象，为...
博客
【专题】中国银行业2023年发展回顾及2024年展望报告合集PDF分享（附原数据表）...
05-10 12
原文链接 :https://tecdat.cn/?p=361452023年，尽管面临全球经济复杂多变与国内经济多重挑战，中国银行业依然稳健前行，不仅圆满完成了社会经济发展的主要任务，还以“稳进相济，进而有为”的姿态，为实体经济的高质量发展提供了有力支撑，展望着更为稳固与繁荣的新一年（查看文末了解专题报告合集PDF版本免费获取方式）。阅读原文，获取专题报告合集全文，解锁文末272份银行相关行业研究报...
博客
【专题】2024年4月数字化行业报告合集汇总PDF分享（附原数据表）
05-09 18
原文链接：https://tecdat.cn/?p=36134在当今快速变化的商业环境中，了解行业趋势、掌握先进技术并精准把握消费者需求变得尤为重要。随着5G技术的广泛应用、人工智能的迅猛发展以及数字营销的兴起，消费品行业、企业运营和市场营销策略都面临着前所未有的挑战与机遇（查看文末了解专题报告合集PDF版本免费获取方式）。相关视频本报告合集汇总将深入探讨消费品行业的5G新时代趋势、AI技术在企业...
博客
【专题】2024年4月中国企业跨境、出海、国际化、全球化行业报告汇总PDF合集分享（附原数据表）...
05-08 25
原文链接：https://tecdat.cn/?p=36130在全球化浪潮的推动下，中国企业的国际化进程不断加速，跨境业务、海外拓展已成为企业发展的重要战略方向（查看文末了解专题报告合集PDF版本免费获取方式）。随着技术的飞速发展、贸易壁垒的逐渐降低以及消费者需求的日益多样化，中国企业正面临着前所未有的机遇与挑战。阅读原文，获取专题报告合集全文，解锁文末239份跨境、出海相关行业研究报告。当前，全...
博客
【专题】2024年4月新能源汽车、智能汽车行业报告汇总PDF合集分享（附原数据表）...
05-07 62
原文链接：https://tecdat.cn/?p=36126随着科技的不断进步和全球化的深入发展，汽车行业正经历着前所未有的变革。从传统的燃油车到新能源汽车的崛起，从简单的交通工具到智能互联的移动空间，汽车已经不仅仅是代步工具，更是科技创新和社会进步的缩影（查看文末了解专题报告合集PDF版本免费获取方式）。相关视频在这个变革的时代，了解汽车行业的市场动态、技术趋势以及产业链的发展变得尤为重要。阅...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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