时间序列-预测-经典算法：ARIMA【自回归综合移动平均】【用于单一变量预测；短序列预测还算精准，不适合长序列预测】【使用前提：数据序列是“平稳的”，即均值、方差不随时间变化】【利用差分法使数据平稳】

本文链接：https://blog.csdn.net/u013250861/article/details/129105851

ARIMA是一种非常流行的时间序列预测统计方法，它是自回归综合移动平均（Auto-Regressive Integrated Moving Averages）的首字母缩写。ARIMA模型建立在以下假设的基础上：数据序列是平稳的，这意味着均值和方差不应随时间而变化。通过对数变换或差分可以使序列平稳。

一、数据的平稳性

二、差分法（让数据变得更平稳）

让数据变得更平稳。

一阶差分：在原数据上做一次差分；
二阶差分：在一阶差分数据上再做一次差分；

三、自回归模型（AR）

四、移动平均模型（MA）

五、自回归移动平均模型（ARMA）

六、ARIMA模型参数

p：自回归模型阶数；

q：移动平均模型阶数；

d：做差分的次数（一般做一阶差分）；

七、自相关函数ACF（用于选择合适的p、q值）

八、ARIMA模型的确定

通过ACF、PACF函数画图来确定p、q参数的取值；

AR模型看PACF的第几阶能落到置信区间，则p就取值该阶数；

MA模型看ACF的第几阶能落到置信区间，则a就取值该阶数；

算法详解：时间序列预测之ARIMA
实现（GluonTS）

from gluonts.model.r_forecast import RForecastPredictor
# build model
arima_estimator = RForecastPredictor(freq='1D', prediction_length=args.horizon, method_name="arima")
# Predicting 
forecast_df = pd.DataFrame(columns=['id', 'target_start_date', 'point_fcst_value'])  # df_pred
for entry_, forecast_ in tqdm(zip(training_data, estimator.predict(training_data))):
     id = entry_["id"]
     forecast_df = forecast_df.append( 
                       pd.DataFrame({"id": id,
                                     "target_start_date": forecast_.index.map(lambda s: s.strftime('%Y%m%d')),
                                     "point_fcst_value": forecast_.median}))

https://www.bilibili.com/video/BV1F441187xt/