利用SARIMA模型对季节周期性的时序案例进行分析（一）

最新推荐文章于 2024-12-08 00:15:00 发布

小白掌柜

最新推荐文章于 2024-12-08 00:15:00 发布

阅读量3.3w

点赞数 60

分类专栏：时间序列分析

本文链接：https://blog.csdn.net/weixin_41013322/article/details/116063395

版权

本文介绍了如何使用SARIMA模型处理季节性时序数据，包括模型概念、步骤、参数选择、模型验证和预测。通过实例展示了SARIMA模型在预测美国夏威夷州二氧化碳含量中的应用，验证了模型的有效性和对未来趋势的预测。

摘要由CSDN通过智能技术生成

看过掌柜前几篇关于时序文章：

的朋友都知道在最后一篇掌柜遗留了一个问题，就是已确定当前的时序数据具有季节周期性，那么如何解决这类时序数据并进行预测分析呢？本文掌柜将从以下几个方面一一作答：

SARIMA模型是什么？
如何使用SARIMA模型进行时序分析的？（SARIMA模型的步骤有哪些？）
SARIMA模型的优点以及限制性有哪些？

首先我们来看第一个问题，SARIMA模型是什么？
简单来讲，就是ARIMA的扩展，它明确支持带有季节成分的单变量时间序列。
而多出来的几个参数就是下图大写的PDQ那部分：
在这里插入图片描述
其中m 表示时序的周期性，比如以月为周期monthly，以年为周期yearly等。

下面接着看第二个问题：如何使用SARIMA模型进行时序分析的？（SARIMA模型的步骤有哪些？）

这里有这样一组示例数据：
在这里插入图片描述
上图👆表示的是从1958年3月到2001年12月，美国夏威夷州空气中二氧化碳含量的时序图。
可以很明显的从时序图看出来，这是一个季节周期性的时序，所以下面我们用SARIMA模型进行一个处理和预测。
（ PS: 如果你的数据不是一开始就能明显看出季节周期性的，就请用掌柜上一篇博客👉：《ARIMA模型预测后出现一条直线的原因》中提到的几种方法来进行季节周期性的确定！！！）

SARIMA模型的参数选取
1.1 网格搜索（Grid Search） 法
首先对p、d、q 以及 P、D、Q进行不同参数组合的探索。话不多说，直接上代码：

# 首先定义 p、d、q 的参数值范围，这里取 0 - 2.
p = d = q = range(0, 2)

# 然后用itertools函数生成不同的参数组合
pdq = list(itertools.product(p, d, q))

# 同理处理季节周期性参数，也生成相应的多个组合
seasonal_pdq = [(x[0], x[1], x[2], 12) for x in list(itertools.product(p, d, q))]

print('Examples of parameter combinations for Seasonal ARIMA...')
print('SARIMAX: {} x {}'.format(pdq[1], seasonal_pdq[1]