ARIMA模型---时间序列分析---温度预测

（图片来自百度）

数据

分析数据第一步还是套路------画图

数据看上去比较平整，但是由于数据太对看不出具体情况，于是将只取前300个数据再此画图

这数据看上去很不错，感觉有隐藏周期的意思

代码

#coding:utf-8
import csv
import matplotlib.pyplot as plt

def read_csv_data(aim_list_1, aim_list_2, file_name):
    i = 0
    csv_file = csv.reader(open(file_name,'r'))
    for data in csv_file:
        if (i == 0):
            i += 1
            continue
        aim_list_1.append(float(data[1]))
        aim_list_2.append(data[3])
    return
def plot_picture(x, y):
    plt.xlabel('x')
    plt.ylabel('y')
    plt.plot(x, y)
    plt.show()
    return
if __name__ == '__main__':
    temp = []
    tim = []
    file_name = 'C:/Users/lichaoxing/Desktop/testdata.csv'
    read_csv_data(temp, tim, file_name)
    plot_picture(tim[:300], temp[:300])

使用ARIMA模型（ARMA）

第一步观察数据是否是平稳序列，通过上图可以看出是平稳的

如果不平稳，则需要进行预处理，方法有   对数变换    差分

对于平稳的时间序列可以直接使用ARMA(p, q)模型进行拟合

ARMA (p, q) :  AR(p) + MA(q)

此时参数p和q的确定可以通过观察ACF和PACF图来确定

通过观察PACF图可以看出，阶数为9也就是p=9，这里ACF图看出自相关呈现震荡下降收敛，但是怎么决定出q，我没太明白，这里姑且拍脑袋才一个吧就q=3

但是这里我遇到了一个问题，没有搞懂，就是平稳的序列，如果我进行一阶差分后应该仍然是平稳的序列，但是这个时候我又画了一个ACF与PACF图，竟然是下图这样，lag的范围是-0.04到0.04（不懂）

 

---

 

lag的范围是-0.04到0.04的问题原因（修改于再次使用此模型）

原因：

当时，我使用的是一阶差分，也就是让数据的后一个值减去前一个值得到新的值，这样就会导致第一个值变为缺失值（下面的数据是再此使用此模型时的数据，与原博客数据无关）

就是因为此处的值为缺失值，导致绘制ACF与PACF时数据有问题而无法成功显示

解决办法，在绘制上述图形前，将第一个数据去除：

 

dta= dta.diff(1)
dta = dta.truncate(before= ym[1])#删除第一个缺失值

 

 

 

 

---

其实还有就是使用ADF检验，得到的结果如图，这个p值很小===》平稳

画图代码

def acf_pacf(temp, tim):
    x = tim
    y = temp
    dta = pd.Series(y, index = pd.to_datetime(x))
    fig = plt.figure(figsize=(9,6))
    ax1 = fig.add_subplot(211)
    fig = sm.graphics.tsa.plot_acf(dta,lags=50,ax=ax1)
    ax2 = fig.add_subplot(212)
    fig = sm.grap