时间序列-Auto-ARIMA模型

最新推荐文章于 2025-01-31 10:56:30 发布
最新推荐文章于 2025-01-31 10:56:30 发布
阅读量1.1w 收藏 98
点赞数 31
分类专栏： 时间序列 文章标签： 时间序列 auto-arima
本BLOG上原创文章未经本人许可，不得用于商业用途，转载请注明出处。
本文链接：https://blog.csdn.net/weixin_46649052/article/details/109561393
版权
该博客介绍了如何使用Auto-ARIMA模型进行时间序列分析，包括数据格式的处理、连续预测、滚动预测的步骤，并预告将深入探讨ARIMA模型。作者呼吁读者点赞关注并提供互动支持。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录


我也是初学者，话不多说，直接上代码，欢迎交流！！！

1.数据格式

在这里插入图片描述

2.连续预测
#!usr/bin/env python
# !usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: liujie
@software: PyCharm
@file: auto_arima.py
@time: 2020/11/7 21:27
"""
# 一次性预测多个值
'''
# 文档部分参考:http://alkaline-ml.com/pmdarima/modules/generated/pmdarima.arima.auto_arima.html?highlight=auto_arima
ARIMA是一个非常强大的时间序列预测模型，但是数据准备与参数调整过程非常耗时
Auto ARIMA让整个任务变得非常简单，舍去了序列平稳化，确定d值，创建ACF值和PACF图，确定p值和q值的过程

Auto ARIMA的步骤:
    1.加载数据并进行数据处理，修改成时间索引
    2.预处理数据:输入的应该是单变量，因此需要删除其他列
    3.拟合Auto ARIMA，在单变量序列上拟合模型
    4.在验证集上进行预测
    5.计算RMSE:用验证集上的预测值和实际值检查RMSE值
    
Auto-ARIMA通过进行差分测试,来确定差分d的顺序，然后在定义的start_p、max_p、start_q、max_q范围内拟合模型。
如果季节可选选项被启用，auto-ARIMA还会在进行Canova-Hansen测试以确定季节差分的最优顺序D后，寻找最优的P和Q超参数。
为了找到最好的模型,给定information_criterion auto-ARIMA优化,(‘aic’,‘aicc’,‘bic’,‘hqic’,‘oob’)
并返回ARIMA的最小值。
注意，由于平稳性问题，auto-ARIMA可能无法找到合适的收敛模型。如果是这种情况，将抛出一个ValueError，
建议在重新拟合之前使数据变稳定，或者选择一个新的顺序值范围。
非逐步的(也就是网格搜索)选择可能会很慢，特别是对于季节性数据。Hyndman和Khandakar(2008)中概述了逐步算法。
'''
import warnings
import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
from datetime import datetime
from math import sqrt
from sklearn.metrics import mean_squared_error
from pmdarima.arima import auto_arima


def main():
    warnings.filterwarnings(action='ignore')
    # 第一步:加载数据
    # 定义将字符串时间转化成日期时间数组
    date_parser = lambda dates: datetime.strptime(dates, '%Y/%m/%d')
    data = pd.read_csv('../data/Data.csv', header=0, parse_dates=['month'], date_parser=date_parser, index_col='month')
    data.fillna(method='pad', inplace=True)
    # print(data.head(5))
    # print(data.index)
    # print(data.dtypes)

    # 第二步：预处理数据-由于所给数据本身就是单变量序列，并且没有空值，因此，可以不进行这一步处理
    # 将数据分成训练集与验证集
    val_size = 100
    train_size = 10 * val_size
    train, val = data[-(train_size + val_size):-val_size + 1]['data'], data[-val_size:]['data']
    # plot the data
    fig = plt.figure()
    fig.add_subplot()
    plt.plot(train, 'r-', label='train_data')
    plt.plot(val, 'y-'
最低0.47元/天 解锁文章
【数据分析】利用机器学习算法进行预测分析（四）：自回归差分移动平均模型（AutoARIMA）
书山有路，学海无涯。记录成长，追逐梦想
01-18 5194
Prophet是一种基于加性模型（additive model）预测时间序列数据的方法，其中非线性趋势与年、周、日的季节性变化以及假日效应相吻合。它适合具有强烈季节性影响和多个季节历史数据的时间序列。Prophet对于丢失数据和趋势变化具有较强的鲁棒性，并且通常能够很好地处理异常值。
时间序列分析之auto_arima自动调参
Andy_shenzl的博客
01-03 1429
一般的流程需要先根据平稳性来确认差分的阶数d，然后根据平稳序列来观察ACF图和PACF图来确认p和q，当然中间还要根据网格训练查看AIC的值来确认，真个过程非常复杂，而且结果还不一定准确；max_p、max_q根据观察图给定一个上限，模型自行Fit，如果自己不去查看ACF和PACF图，随意写一个比较大的值，也是可以的，但是时间成本比较高；start_P、max_P、start_Q、max_Q，只能手动赋值了，如果有知道这个周期性P和Q的定阶方法的大佬请说一下。可以帮助我们进行定阶，确认模型的参数。
时间序列分析|auto_arima调参
帅帅de三叔
07-10 1万+
auto_arima调参
ARIMA详细介绍
最新发布
能源星球的博客
01-31 3562
ARIMA（AutoRegressive Integrated Moving Average，自回归积分滑动平均模型）是一种用于时间序列分析和预测的统计模型。它结合了自回归（AR）、差分（I）和移动平均（MA）三种方法，适用于处理具有趋势成分或季节性成分的时间序列数据。
时序预测模型的基准算法1-auto_arima
LCW
01-28 3753
最近我在进行论文的写作，接下来会将自己做的对比算法分享给大家，以帮助像我一样遇到问题想来CSDN上求救的小伙伴们。我采用的数据集为PeMS04和PeMS08，如果有使用相同数据集的小伙伴们可以一起交流。 做到ARIMA对比算法时，发现固定order的ARIMA算法无法做到对所有全时空路网节点的流量进行预测，会出现报错情况。因为路网所有节点的交通流量不一定都符合同一ARIMA参数，便采用auto_arima算法对所有节点的交通流量进行预测。
R语言中auto.arima函数计算步骤和参数
南瓜派三蔬
10-23 2万+
说明：整理自 Forecast：Principe and Practice chapter8.7 。python里的pyramid.arima.auto_arima在R语言auto.arima的基础上写的。 1.计算步骤 R语言里的auto.arima是Hyndman-Khandakar算法（Hyndman & Khandakar, 2008）的一个变种，它结合了单位根检验，最小化A...
自动化ARIMA时间序列及Python实现（Auto_arima）
Asll的学习小站
01-09 1万+
时间序列的基本原理见Matlab篇，本篇主要讲基于原理的python代码实现部分。
Auto-Arima工具包安装、使用
chenhepg的博客
03-28 4167
@创建于：2022.03.28 @修改于：2022.03.28 文章目录1、Auto-Arima介绍2、安装3、代码示例4、参考资料 1、Auto-Arima介绍 ARIMA是一种非常流行的时间序列预测方法，它是自回归综合移动平均（Auto-Regressive Integrated Moving Averages）的首字母缩写。ARIMA模型建立在以下假设的基础上： 数据序列是平稳的，这意味着均值和方差不应随时间而变化。通过对数变换或差分可以使序列平稳。 输入的数据必须是单变量序列，因为ARIMA利用过
时间序列----ARIMA 对苹果进行股价分析
chengyulinhhhh的博客
04-06 1555
时间序列-ARIMA
【时间序列 - 03】ARIMA、ARIMA-ANN（模型融合）
Houchaoqun_XMU的博客
09-07 4949
前言： 本文主要介绍 ARIMA 及其模型融合 ARIMA-ANN。由于目前对ARIMA还不是很熟悉，先占个坑位，后续有深入学习，再继续完善，望见谅。 Part1：ARIMA 基本概念 ARIMA：Auto Regressive Integrated Moving Average。 ARIMA(p,d,q)，其中：d 是差分的阶数，用来得到平稳序列；AR是自回归，p（时序数据...
时间序列-ARIMA模型调参检验实战
柳杰的博客
11-08 6616
文章目录1.数据格式2.理论补充3.代码4.总结 1.数据格式 2.理论补充 关于截断与拖尾如何选择模型 参考：博客 剩余部分代码中都有 3.代码 #!usr/bin/env python # -*- coding:utf-8 _*- """ @author: liujie @software: PyCharm @file: ArmaModel(2,2)or(0,1).py @time: 2020/11/6 17:33 """ ''' 模型的介绍: AR、MA、ARMA、ARIMA模型 参考：https
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，适用于带有季节性的时间序列数据的预测。 3. VAR (Vector Autoregression): 用于多变量时间序列数据的预测，基于自回归模型，能够捕捉...
Auto-ARIMA实战
m0_63168931的博客
05-01 2389
传统机器学习ARIMA模型是一种随机时序分析，其实质是差分运算和ARMA模型的组合，但由于ARIMA模型需要调整的参数比较多且网格寻优速度比较慢，所以Auto-ARIMA应运而生。由于Auto-ARIMA只需自定义参数范围并自己寻找最佳参数。所以其实是比较容易实现的。但是它的预测精度其实是不如用ARIMA手动寻找的精度高的，但是由于其方便快捷，其实还是有一定的可用性。 废话不多说直接上代码 model = pm.auto_arima(x_train["y"], start_p=1, s..
独家｜利用Auto ARIMA构建高性能时间序列模型（附Python代码）
weixin_43298663的博客
02-18 1773
　　作者：AISHWARYA SINGH 　　翻译：陈之炎 　　校对：丁楠雅 　　本文共3400字，建议阅读10+分钟。 　　本文介绍了ARIMA的概念，并带你用Python和R训练一个数据集实现它。 　　简介 　　想象你现在有一个任务：根据已有的历史数据，预测下一代iPhone的价格，可使用的特征包括季度销售、月度支出以及苹果资产负债表上的一系列内容。作为一名数据科学家，你会把这个问题归类为哪一类问题？当然是时间序列建模。 　　从预测产品销售到估算家庭用电量，时间序列预测是任何数据科...
构建ARIMA模型，利用R里面的auto.arima()函数，自动筛选p、d、q
热门推荐
muli
09-19 4万+
构建ARIMA模型，利用R里面的auto.arima()函数，自动筛选p、d、q # 构建ARIMA模型################################## library(forecast) library(tseries) library(fUnitRoots) terrorism_num=c(1534,1295,1183,1277,1316,1168,1263,1290,11...
等价于 python 的 auto.arima()
10-08 968
然后，我们使用auto_arima函数自动选择模型的参数，并用这个模型进行预测和评估。在这个问题中，我们需要实现一个Python程序，用于自动选择ARIMA模型的参数。这个过程类似于R中的`auto.arima()`函数，它可以自动找到模型的最佳参数。这个程序使用了pmdarima库，这是一个Python实现ArmaGarch模型的选择与优化的库。它自动选择模型的参数，包括AR和MA的阶数以及季节性的参数。3. 划分训练集和测试集：我们可以将数据的80%作为训练集，剩下的20%作为测试集。
时间序列分析 | Python实现Auto-ARIMA时间序列分析
前程算法屋的博客
08-18 1238
时间序列分析 | Python实现Auto-ARIMA时间序列分析
时序算法—AR、MA、ARMA和ARIMA模型以及Auto ARIMA
柳杰的博客
04-02 8959
文章目录引言一、模型介绍1.AR模型2.MA模型3.ARMA模型4.ARIMA模型二、ARIMA建模流程1.第一步：获得观察值序列并平稳性检验2.第二步：一阶差分并平稳性检验3.第三步：白噪声检验4.第四步：模型定阶5.第五步：建立模型6.第六步:白噪声检验7.完整代码三、Auto ARIMA1.常用参数介绍2.案例 引言   时间序列分析的目的是给定一个已被观测了的时间序列，预测该序列的未来值。ARIMA模型系列模型常用于基于时间序列的短期预测。为方便后面理解，这里简单介绍拖尾与截尾的含义。 截尾是指
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值