时间序列概念:在生产和科学研究中,对某一个或者一组变量 进行观察测量,将在一系列时刻 所得到的离散数字组成的序列集合,称之为时间序列。时间序列分析是根据系统观察得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。
常用的时间序列模型有很多种,在本文中主要研究ARIMA模型,也是实际案例中最常用的模型,这种模型主要针对平稳非白噪声序列数据。
主要流程:
![6a2e8fb7c942adc936d5bcaf5c95a24b.png](https://i-blog.csdnimg.cn/blog_migrate/8064e9a29398854d9c13ae92849bd5e7.jpeg)
步骤1:获取被观测系统时间序列数据;
import pandas as pd
import statsmodels.api as sm
dta=[10930,10318,10595,10972,7706,6756,9092,10551,9722,10913,11151,8186,6422,
6337,11649,11652,10310,12043,7937,6476,9662,9570,9981,9331]
dta=pd.Series(dta)
dta.index=pd.Index(sm.tsa.datetools.dates_from_range('1996','2019'))
dta
步骤2:对