利用ARIMA模型进行时间序列的预测实现

ARIMA模型利用历史数据对时间序列进行预测，属于参数型方法，全称Autoregressive Integrated Moving Average Model，是集合了自回归模型AR(Autoregressive)、移动平均模型MA(Moving Average)和差分过程I(Integrated)的模型。

ARIMA(p,d,q)模型中的参数p, d, q分别来源于对应的三个部分：
AR部分：利用过去的值来预测未来的值，假设是线性关系，即利用过去p个值的加权平均来进行预测；
I差分部分：通过差分操作，来消除时间序列中的趋势和季节性因素，d代表差分的阶数；
MA部分：利用过去的误差来预测未来的值，假设时间序列是平稳的，也假设呈线性关系，利用过去q个白噪声的加权平均来进行预测。

实现ARIMA模型使用statsmodels包：statsmodels.tsa.arima.model.ARIMA。

一、基本用法

构建模型

from statsmodels.tsa.arima.model import ARIMA

model = ARIMA(data, order=(7,0,1))
model_fit = model.fit()

模型训练时输入什么类型，则预测输出也是同样的类型，输入array，预测结果也是array， 输入带datetimeindex的series或dataframe，预测结果也是带datetimeindex的series或dataframe，其中datetimeindex需要指定频率，因为ARIMA模型要求时间序列的时间间隔相等。

进行预测时可以用forecast或predict方法。

forecast预测

pred = model_fit.forecast() # 一步预测
pred = model_fit.forecast(steps=5) # 多步预测 指定步数
pred = model_fit.forecast('2012-03-06 14:40:00') # 多步预测 指定end datetime

ARIMA模型本质只能预测未来一步，多步预测采用的是recursive循环的计算方法。

predict预测

# 指定要预测区间的起止index，index是相对于模型训练数据而言的，训练数据的第一个ts的index为0
pred = model_fit.predict(start=start_index, end=end_index) 
# 只有一个输入时，代表start index，预测start index至数据集的最后一个ts
pred = model_fit.predict(1000)
# 指定要预测区间的起止datetime
pred = model_fit.predict(start='2012-03-06 14:20:00', end='2012-03-07 23:55:00')

其中有个参数“dynamic”，dynamic=False代表使用真值true value, dynamic=True则使用预测值predicted value，例如在对 t +