Arima时间序列模型实现框架+步骤

总结实习中使用的实现ARIMA的两种方式

方法一：arima常规步骤

1. 数据预处理

2. 平稳性检验（观察时序图/自相关系数图/ADF检验，若不平稳则需将其差分平稳化diff()，差分次数即为ARIMA模型中I的阶数

3. 非白噪声检验：通过Ljungbox求出检验统计量及P-value从而检验残差的非随机性

4. 两种检验均通过后进行定阶：
   （1）ACF和PACF，通过截尾和拖尾来确定阶数
   （2）信息准则AIC/BIC定阶

5. ARIMA模型构建预测及模型诊断（检验残差）

6. 将差分还原，进行ARIMA模型构建和预测，画图及求出评价指标（MAE EVAR R2）观察模型拟合的优劣程度

方法二：使用Sarima

1. 数据预处理
2. 使用SARIMA模型，即对ARIMA模型增加季节因素，但基于本数据集的时间情况，季节参数设为0
3. 使用itertools.product()求出笛卡尔积，生成ARIMA参数pdq三元组的所有不同组合
4. fit()训练模型
5. 定阶：根据最小信息准则AIC求出每种组合的AIC值，根据AIC值最小求出最终模型，确定参数pdq
6. 模型诊断利用summary()输出最终模型每个系数的统计量，检验参数估计的显著性，利用plot——diagnostic()画出残差的四张图以检验残差的随机性（含残差的分布图，qq图，残差自相关系数图）
7. 模型预测：predict和forecast预测未来
8. 画图及求出评价指标（MAE EVAR R2）观察模型拟合的优劣程度

方法二参考链接：https://github.com/Jenniferz28/Time-Series-ARIMA-XGBOOST-RNN/commit/f00972e63c0bd34555e60475e368f9f75f0b8032