本文介绍了如何使用Python和ARIMA模型进行时间序列处理。ARIMA模型中的p和q参数分别代表AR项和MA项的数量，acf和pacf用于衡量时间序列的关联性。在应用ARIMA之前，需要通过Dicky-Fuller Test检验数据的平稳性，如果数据不平稳，还需要进行相应处理。最后，文章提供了代码和数据示例。
1什么时候进行时间序列处理？
发现进行预测时，与属性没有多大关系，只和时间有关，这时候就不能利用机器学习模型来解决，要用时间序列处理
这里用的python语言，使用一种统计模型ARIMA
2ARIMA
Auto-Regressive Integrated Moving Averages
该模型需要三个参数 p d q
d一般在1和2之间选择，不做太多讨论
p：number of AR terms. AR terms 是指依赖变量的延迟。
最低0.47元/天 解锁文章
7万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
