一、ARIMA模型概述
ARMA模型就是AR和MA的简单结合,同时包含了历史数值项和错误项。由于AR和MA模型都对时间序列有平稳性要求,ARMA模型也存在这个限制,因此我们将其拓展到ARIMA模型,其可以解决非平稳性问题。引入的差分概念是一种获得时间序列的方法。最常使用的一种差分方法是计算当前项和前项的差值,获得一组新的时间序列。
对于时间序列问题,一般可以直接考虑使用ARIMA(p,d,q)模型,p代表自回归阶数;d代表差分次数;q代表移动平均阶数。确保这三个参数尽可能的小以避免过拟合,一个可供参数的准则是:不d<=2,p和q<=5,并且p和q尽量保证一个是模型主导项,另一个相对较小。
二、确定ARMA模型参数
ARIMA参数确定方法主要有两种:手动拟合法和自动拟合法
自动拟合ARIMA模型的一般步骤:
1、观察时间序列数据
首先需要可视化观察时间序列数据,了解数据的趋势、季节性和周期性等特征,以确定是否需要进行平稳化或差分操作。
# 导入销售数据,绘制原始图像
sales_data = pd.read_csv('data/retail_sales.csv')
sales_data['date']=pd.to_datetime(sales_data<