十大时间序列模型最强总结（三）季节性自回归积分滑动平均模型（SARIMA）

三、季节性自回归积分滑动平均模型（SARIMA）

1. 原理

SARIMA 模型是 ARIMA 模型的扩展，用于处理具有季节性成分的时间序列。SARIMA 模型引入了季节性成分，通过增加季节性自回归（SAR）、季节性差分（I）和季节性移动平均（SMA）项来建模。

2. 核心公式

推导：

3. 优缺点

• 1）优点：
• 适用于处理具有明显季节性成分的时间序列。
• 可以同时建模季节性和非季节性成分。
• 2）缺点：
• 模型复杂度高，参数较多，调整较为困难。
• 需要确定季节性周期。

4. 适用场景

SARIMA 模型适用于具有季节性波动的时间序列数据，如月度销售数据、季节性气象数据等。

5. 核心案例代码

登录后复制

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 生成示例数据：季节性时间序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=120, freq='M')
seasonal_component = 10 + 10 * np.sin(np.linspace(0, 3 * np.pi, 120))
data = seasonal_component + np.random.randn(120) * 2  # 叠加噪声

# 创建DataFrame
df = pd.DataFrame(data, index=dates, columns=['Value'])

# 拟合SARIMA模型 (p=1, d=1, q=1, P=1, D=1, Q=1, s=12)
model = SARIMAX(df['Value'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
sarima_result = model.fit()

# 预测未来12个月
forecast = sarima_result.get_forecast(steps=12)
forecast_index = pd.date_range(df.index[-1] + pd.DateOffset(months=1), periods=12, freq='M')
forecast_values = forecast.predicted_mean

# 可视化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Value'], label='Observed', color='blue')
plt.plot(forecast_index, forecast_values, label='Forecast', color='orange', linestyle='--')
plt.fill_between(forecast_index,
                 forecast.conf_int().iloc[:, 0],
                 forecast.conf_int().iloc[:, 1],
                 color='#FFA07A', alpha=0.3)  # 使用有效的颜色代码
plt.title('SARIMA Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.

图中展示了一个具有季节性波动的时间序列数据（蓝色）和未来 12 个月的预测值（橙色虚线）。预测区间的置信区间用浅橙色阴影表示。SARIMA 模型能够有效捕捉时间序列中的季节性模式。

---

原创作者: u_15620990 转载于: https://blog.51cto.com/u_15620990/11899514