ARIMA 是 AutoRegressive Integrated Moving Average的简称,看起来很复杂,其实这个模型本身是多个模型的叠加或者说混合;
![a5c429382819dc65075929001a218cf2.png](https://i-blog.csdnimg.cn/blog_migrate/5a2f048cc0f6a9671a03967ed9f787e0.png)
AR: 自相关模型(AutoRegressive)
MA: 移动平均模型(Moving Average)
I:差分的逆过程(差分的逆过程)
一般我们表达为:ARIMA(p,d,qp,d,q) 模型,其中:
p=p= | 自回归模型阶数 |
d=d= | 差分阶数 |
q=q= | 移动平均模型阶数 |
使用ARIMA模型预测数据的主要步骤包括:
序列平稳化
确定d参数
画出acf和pacf图,确定p参数和q参数
使用找到的参数拟合ARIMA模型
在验证集上进行预测
评估预测效果
对于一个未知的序列,找到模型的这三个参数是关键,有两种方式来找出这三个参数;
手工找出参数的基本步骤
序列平稳化,确定d参数
画出acf和pacf图,确定p参数和q参数
有关平稳化、单位根校验、acf图和pacf图的基础知识,已经在前三篇进行了介绍,这里就不再赘述。
d参数在序列平稳化处理的时候,能够找出来;
1手动确定自相关系数和平均移动系数(p,q)
p参数和q参数在画出acf和pacf图的时候可以找出来;
AR(p) MA(q) ARMA(p,q)
ACF 趋势衰减 q阶后截尾 趋势衰减
PACF p阶后截尾 趋势衰减 趋势衰减
还是air Passenger的数据
通过上面两篇介绍的序列平稳化的方法,我们这里对数据进行了对数化和差分化:
通过单位根校验,p-value只有0.0047,小于1%对应的阈值,所以可以认为是稳定的序列;
接下来开始选择p和q参数,画出序列自相关图和偏自相关图
从图中可以看到,p选择1,q选择2是不错的选择;
自动确认参数
自动参数确认的实现就比较简单了,有现成的函数可以调用,
可以看到自动选择的时候,选择器为我们选择了p=2,q=3
对于自动选择的参数和手工选择的参数不同的情况,我们可以暂时不管,继续向下看;
3模型训练
模型的训练可以说是非常的简单
我们拿到模型的残余项,来检测残余项是否是稳定的
可以看到残余项符合均值为0的高斯分布,因此我们认定这个模型效果还不错;
4检测实际效果
接下来我们将数据拆分为训练集和测试集,来实际检验一下效果:
可以看到预测的效果,其实还不错;
5对比两个参数
这是我们用手工选择的p,q参数进行的预测,我们还有一个自动选择的p,q参数,我们也可以试一下自动选择的p=2,q=3的效果,只需要改一下参数
得到这样的效果图,其实肉眼就可以看出来,这组参数并没有手工选择的参数效果好;
剩下的就是将图形还原:
def inverse_diff(original, diff): lag = len(original) o_s = list(original) for i in range(len(diff)): o = diff[i] + o_s[i] o_s.append(o) return np.array(o_s)
plt.plot(np.exp(log))plt.plot(np.arange(train_size+9, train_size+test_size+9), np.exp(inverse_diff(np.log(pgs)[train_size-9:train_size], np.concatenate(predictions))[9:]),"r-")plt.show()