python使用ARIMAX带有衍生变量的时间序列预测

我们要使用的是statsmodels包的SARIMAX这个模型，这并不是单一的模型，而是个大合集的模型，可以设置多个参数，如：

• 如果我们只想用ARIMA的模型，那么只需要设置order参数即可
• 如果想使用 ARIMA+季节性，即（SARIMA）模型，则设置order与seasonal_order参数即可
• 如果想使用 ARIMA+衍生变量，即（ARIMAX）模型，则设置order与exog参数即可
• 如果想使用 ARIMA+季节性+衍生变量，即（SARIMAX）模型，则设置order，seasonal_order与exog参数

官方文档：https://www.statsmodels.org/dev/generated/statsmodels.tsa.statespace.sarimax.SARIMAX.html
其中：

• endog：训练的时序数据，也是第一个位置的参数对应的值
• order：ARIMA的参数，输入格式是(p,d,q)
• seasonal_order：季节性的参数
• exog：衍生变量的矩阵

示例代码

from sklearn.metrics import r2_score, mean_squared_error
import statsmodels.api as sm


def load_data(samples=1000):
    """ 用来生成训练、测试数据
    :param samples: 数据量
    """

    from sklearn.datasets import make_regression
    from sklearn.model_selection import train_test_split

    data_x, data_y = make_regression(n_samples=samples, n_features=10)

    x_train, x_test, y_train, y_test = train_test_split(data_x, data_y, test_size=0.2, random_state=0,
                                                        shuffle=True)
    return x_train, x_test, y_train, y_test


def main():
    train_x, test_x, train_y, test_y = load_data()  # 由sklearn生成回归任务的数据，通常效果会特别好
    # 开始建模，把训练的x输入到exog参数中，我们使用ARIMA(1,0,1)的模型，这里对应order参数
    # disp=0是“静默训练”，即不打印训练过程中迭代的中间信息，这里我们删除disp=0的话可以发现训练过程中会打印许多迭代的中间结果
    arimax_model = sm.tsa.statespace.SARIMAX(endog=train_y, exog=train_x, order=(1, 0, 1)).fit(disp=0)
    print(arimax_model.summary()) # 得到模型的结果
    pred_result = arimax_model.forecast(test_x.shape[0], exog=test_x)  # 得到预测结果
    r2 = r2_score(test_y, pred_result) # 使用R2指标评价预测结果
    mse = mean_squared_error(test_y, pred_result) # 使用MSE评价训练结果
    print("预测结果 R2:", r2, "  MSE:", mse)


if __name__ == '__main__':
    main()

得到结果：

                               SARIMAX Results                                
==============================================================================
Dep. Variable:                      y   No. Observations:                  800
Model:               SARIMAX(1, 0, 1)   Log Likelihood                8536.644
Date:                Mon, 26 Sep 2022   AIC                         -17047.288
Time:                        09:17:27   BIC                         -16986.388
Sample:                             0   HQIC                        -17023.893
                                - 800                                         
Covariance Type:                  opg                                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
x1            98.4567   7.38e-07   1.33e+08      0.000      98.457      98.457
x2            76.3143   7.98e-07   9.56e+07      0.000      76.314      76.314
x3            40.8672   8.21e-07   4.98e+07      0.000      40.867      40.867
x4            33.0903   7.95e-07   4.16e+07      0.000      33.090      33.090
x5            56.4743   7.92e-07   7.13e+07      0.000      56.474      56.474
x6            32.4059   8.01e-07   4.05e+07      0.000      32.406      32.406
x7            82.9344   7.96e-07   1.04e+08      0.000      82.934      82.934
x8            36.9715   8.33e-07   4.44e+07      0.000      36.971      36.971
x9             3.7463   8.76e-07   4.28e+06      0.000       3.746       3.746
x10           79.4727   7.63e-07   1.04e+08      0.000      79.473      79.473
ar.L1         -0.0222   3.64e-13  -6.11e+10      0.000      -0.022      -0.022
ma.L1         -0.0282   3.54e-13  -7.98e+10      0.000      -0.028      -0.028
sigma2      7.445e-11   8.85e-11      0.841      0.400    -9.9e-11    2.48e-10
===================================================================================
Ljung-Box (L1) (Q):                   0.39   Jarque-Bera (JB):                 4.54
Prob(Q):                              0.53   Prob(JB):                         0.10
Heteroskedasticity (H):               0.91   Skew:                             0.00
Prob(H) (two-sided):                  0.43   Kurtosis:                         2.63
===================================================================================
Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).
[2] Covariance matrix is singular or near-singular, with condition number 1.06e+26. Standard errors may be unstable.
预测结果 R2: 0.9999999999999998   MSE: 1.0602913971787695e-11

最后得到预测结果，完美的一塌糊涂，也是因为数据比较简单吧