python时间序列预测arima平稳差分餐厅销量_时间序列模式（ARIMA）---Python实现

时间序列分析的主要目的是根据已有的历史数据对未来进行预测。如餐饮销售预测可以看做是基于时间序列的短期数据预测， 预测的对象时具体菜品的销售量。

1.时间序列算法：

常见的时间序列模型;

​

2.时序模型的预处理

1. 对于纯随机序列，也称为白噪声序列，序列的各项之间没有任何的关系， 序列在进行完全无序的随机波动， 可以终止对该序列的分析。

2. 对于平稳非白噪声序列， 它的均值和方差是常数。ARMA 模型是最常用的平稳序列拟合模型。

3. 对于非平稳序列， 由于它的方差和均值不稳定， 处理方法一般是将其转化成平稳序列。 可以使用ARIMA 模型进行分析。

对平稳性的检验：

1.时序图检验：根据平稳时间序列的均值和方差都是常数的特性，平稳序列的时序图显示该序列值时钟在一个参数附近随机波动，而且波动的范围是有界的。如果有明显的趋势或者周期性， 那它通常不是平稳序列。

2.自相关图检验：平稳序列具有短期相关性， 这个性质表明对平稳序列而言， 通常 只有近期的序列值得影响比较明显， 间隔越远的过去值对现在的值得影响越小。 而非平稳序列的自相关系数衰减的速度比较慢。

3.单位根检验：单位根检验是指检验序列中是否存在单位根， 如果存在单位根， 那就是非平稳时间序列。 目前最常用的方法就是单位根检验。

原假设是 非平稳序列过程， 备择假设是 平稳序列， 趋势平稳过程

​

​

​