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$t+1$时刻预测时，使用的所有历史值都是真值，但对$t+2$时刻预测时，需要用到$t+1$时刻的值，可以使用真值，也可以使用模型的预测值。

forecast VS predict

forecast和predict的主要差别在于forecast只能对未来进行计算，而predict可以对过去进行计算，即官方说明中的，forecast是out-of-sample forecasting，predict是In-sample prediction and out-of-sample forecasting。
还有两个方法get_forecast和get_prediction，用法与之类似，只是相比forecast和predict会额外返回置信区间。

二、预测实例

数据使用los loop，数据取自数据集METR-LA，由洛杉矶高速公路上的环形探测器检测得到的车速，采样频率5min，共四个月，论文作者取了2012年3月1日-3月7日七天的数据，并对缺失数据进行了线性插值处理。

按照8:2划分训练集和测试集，验证ARIMA模型的准确性。

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimSun']

data = pd.read_csv('./data/los_speed.csv')
time_len = data.shape[0] # 2016个ts
num_nodes = data.shape[1] # 207个检测器

data.index = pd.date_range('2012-03-01', periods=2016 , freq='5min') # 设置datetimeindex
ts = data.iloc[:,10] # 只取某一个检测器
train_size = int(time_len * 0.8)
train_ts, test_ts = ts[0:train_size], ts[train_size:]

训练集train_ts如下：

2012-03-01 00:00:00    55.500000
2012-03-01 00:05:00    58.777778
2012-03-01 00:10:00    61.375000
2012-03-01 00:15:00    62.138889
2012-03-01 00:20:00    62.902778
                         ...    
2012-03-06 13:55:00    64.875000
2012-03-06 14:00:00    63.000000
2012-03-06 14:05:00    64.000000
2012-03-06 14:10:00    64.000000
2012-03-06 14:15:00    64.000000
Freq: 5T, Name: 765604, Length: 1612, dtype: float64

训练集test_ts 如下：

2012-03-06 14:20:00    64.000000
2012-03-06 14:25:00    62.250000
2012-03-06 14:30:00    63.666667
2012-03-06 14:35:00    63.250000
2012-03-06 14:40:00    60.875000
                         ...    
2012-03-07 23:35:00    67.111111
2012-03-07 23:40:00    66.125000
2012-03-07 23:45:00    61.000000
2012-03-07 23:50:00    67.000000
2012-03-07 23:55:00    64.125000
Freq: 5T, Name: 765604, Length: 404, dtype: float64

# 构建模型
model = ARIMA(train_ts,order=[12,0,1]) # 利用过去12条数据来预测未来
properModel = model.fit()

## 预测1，使用预测值预测
# 模型的样本中只有2012-03-06 14:15:00前的数据，无论dynamic取何值，预测时只能用预测值
predict1 = properModel.predict(start='2012-03-06 14:20:00', end='2012-03-07 23:55:00')

## 预测2，使用真值预测
# 为了预测时能使用真值，加上测试数据，但不重新训练模型，即模型的参数不变，只是模型的样本改变了
newModel = properModel.append(test_ts, refit=False)
predict2 = newModel.predict(start='2012-03-06 14:20:00', end='2012-03-07 23:55:00',dynamic=False)

fig, ax = plt.subplots(figsize=(15,4))
ax.plot(test_ts, label='groundtruth')
ax.plot(predict1, label='使用预测值')
ax.plot(predict2, label='使用真值')
plt.legend()
plt.show()

由图可知，预测时如果只使用预测值，因为采用循环计算策略，会导致误差不断累积；
而如果预测时使用过去的真值，即预测$t+2$时刻的值时，使用$t+1$时刻的真值，预测$t+3$时刻的值时，又使用$t+2$时刻的真值，符合实际运行情况，每一步的预测结果的准确度相对稳定，误差不会随着时间而累积。