时间序列预测的一般步骤

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<