В тази статия ще представим автоматичния модел ARIMA в Python и неговото приложение в анализа и прогнозирането на времеви редове. ARIMA (Авторегресивен модел на подвижната средна) е класически статистически модел, широко използван за моделиране и прогнозиране на данни от времеви серии. Автоматичният ARIMA модел е мощен инструмент в Python, който автоматично избира най-добрите параметри на ARIMA модела и предоставя точни прогнозни резултати.
Какво представлява моделът ARIMA?
Моделът ARIMA се състои от три части: авторегресия (AR), разлика (I) и пълзяща средна (MA). Комбинирайки тези три части, моделът ARIMA може да моделира и предсказва широк спектър от времеви серии данни.
- Авторегресия (AR): Този раздел се използва основно за описание на зависимостите между текущите и миналите стойности. Това показва, че текущата стойност се получава от линейна комбинация от минали стойности.
- Разлика (I): Този раздел се използва за изглаждане на данните от времеви редове. Стационарните последователности са серии, в които средната стойност, дисперсията и самокоординиращата се дисперсия не се променят с времето.
- Пълзяща средна (MA): Този раздел се използва за описание на връзката между минали и настоящи грешки. Това показва, че текущата грешка е линейна комбинация от минали грешки.
Моделът ARIMA може да избира различни порядъци на AR, I и MA според естеството на данните от времеви серии, за да постигне най-добрия ефект на напасване.
Как да използваме автоматичния ARIMA модел на Python
За да използвате автоматичния ARIMA модел на Python, първо трябва да инсталирате библиотеката statsmodels и pmdarima. След като инсталирате тези две библиотеки, можете да започнете да използвате функцията auto_arima() за избор и напасване на модел.
Функцията auto_arima() е мощна функция в библиотеката pmdarima, която автоматично избира параметрите на модела ARIMA въз основа на естеството на данните от времеви серии. Ето един пример:
В примерния код по-горе, първо използвайте библиотеката на pandas за четене на данните от времеви редове и задайте колоната за дата като индекс. След това използвайте функцията auto_arima(), за да изберете автоматично параметрите на ARIMA модела и да ги присвоите на променливата на модела. Накрая, моделът ARIMA се награждава чрез функцията fit() и се отпечатва обобщението на параметрите на модела.
Примери за приложения на автоматични ARIMA модели
Ето един практичен пример за приложение, който показва как да се използва автоматичният ARIMA модел на Python за анализ и прогнозиране на времеви редове.
Да кажем, че имаме набор от данни за продажби, който съдържа данни за продажбите за всеки месец. Надяваме се да използваме този набор от данни, за да прогнозираме продажбите през следващите месеци. Първо, трябва да прочетем данните и да извършим необходимата предварителна обработка:
В горния код използвахме библиотеката pandas, за да прочетем данните за продажбите и да зададем колоната с дата като индекс. След това използваме функцията diff(), за да диференцираме данните в първия ред и да ги направим стационарна последователност.
След това можем да използваме автоматизирания модел ARIMA, за да прогнозираме бъдещи продажби:
В горния код функцията auto_arima() се използва за автоматично избиране на параметрите на модела ARIMA и тяхното присвояване на променливата на модела. След това използвайте функцията fit(), за да паснете на модела ARIMA. Накрая, използвайте функцията predict(), за да прогнозирате продажбите за следващите няколко месеца и конвертирайте резултатите в DataFrame за дати и продажби.
резюме
Тази статия представя основните принципи и използване на автоматичните ARIMA модели в Python. Автоматизираните ARIMA модели могат автоматично да изберат подходящия модел въз основа на естеството на данните от времеви редове и да предоставят точни резултати за прогнозиране. Чрез използване на автоматични ARIMA модели можем по-лесно да извършваме анализ и прогнозиране на времеви редове, което ни помага да вземаме по-точни решения. Надявам се тази статия да ви е била полезна за разбирането и прилагането на автоматичния модел ARIMA!
Оригинален:Входът към хиперлинк е видим. |
Публикувано на 2025-5-20 08:56:39
|
|
|
