python时间序列预测arima平稳差分餐厅销量_Python时间序列&ARIMA股票预测

ARIMA(p,d,q)差分自回归移动平均模型

原理：将非平稳时间序列转化为平稳时间序列(d)，然后将因变量仅对它的滞后值(p阶)，以及随机误差项的现值和滞后值进行回归所建立的模型。

AR是自回归，p为自回归项； MA为移动平均，q为移动平均项数；d为时间序列成为平稳时所做的差分次数

平稳性

平稳性就是要求经由样本时间序列所得到的拟合曲线

在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去

平稳性要求序列的均值和方差不发生明显变化

严平稳与弱平稳

严平稳：严平稳表示的分布不随时间的改变而改变。

如：白噪声(正态)，无论怎么取，都是期望为0，方差为1

弱平稳：期望与相关系数(依赖性)不变

未来某时刻的t的值Xt就要依赖于它的过去信息，所以需要依赖性

差分法：时间序列在t与t-1时刻的差值

自相关函数ACF

偏自相关函数(PACF)

ACF还包含了x(t)到x(t-k)之间K个变量的影响

而偏自相关系数PACF是严格的，只包含x(t),x(t-k)这两个变量之间的相关性

ARIMA阶数确定方法一：看ACF,PACF

建模流程：

1)平稳序列，差分确定D；

2)确定p阶和q阶，看ACF和PACF；

3)调用模型ARIMA(p,d,q).

模型选择AIC与BIC：趋于选择更简单的模型

模型残差检

ARIMA模型的残差是否是平均值为0且方差为常数的正