arima模型 p q d 确定_【干货】时间预测之 ARIMA模型

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；

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：

1.  序列平稳化

2. 确定d参数

3. 画出acf和pacf图，确定p参数和q参数

4. 使用找到的参数拟合ARIMA模型

5. 在验证集上进行预测

6. 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

1. 序列平稳化，确定d参数

2. 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；

2

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()