V tomto článku představíme automatický ARIMA model v Pythonu a jeho aplikaci v analýze a předpovídání časových řad. ARIMA (Autoregresní model klouzavého průměru) je klasický statistický model široce používaný při modelování a předpovídání dat o časových řadách. Automatický ARIMA Model je výkonný nástroj v Pythonu, který automaticky vybírá nejlepší parametry modelu ARIMA a poskytuje přesné výsledky predikce.
Co je to model ARIMA?
Model ARIMA se skládá ze tří částí: autoregrese (AR), diference (I) a klouzavého průměru (MA). Kombinací těchto tří částí může model ARIMA modelovat a předpovídat široké spektrum časových řad.
- Autoregresie (AR): Tato sekce se primárně používá k popisu závislostí mezi současnými a minulými hodnotami. Naznačuje, že aktuální hodnota je získána lineární kombinací minulých hodnot.
- Rozdíl (I): Tato sekce slouží k vyhlazení dat časových řad. Stacionární posloupnosti jsou řady, ve kterých se průměr, rozptyl a samokoordinující rozptyl v čase nemění.
- Klouzavý průměr (MA): Tato sekce popisuje vztah mezi minulými a současnými chybami. Naznačuje, že aktuální chyba je lineární kombinací minulých chyb.
Model ARIMA může vybírat různé pořadí AR, I a MA podle povahy dat časových řad, aby dosáhl nejlepšího efektu přizpůsobení.
Jak používat automatický model ARIMA v Pythonu
Pro použití automatického ARIMA modelu v Pythonu je nejprve potřeba nainstalovat knihovnu statsmodels a knihovnu pmdarima. Po instalaci těchto dvou knihoven můžete začít používat funkci auto_arima() pro výběr a přizpůsobení modelu.
Funkce auto_arima() je výkonná funkce v knihovně pmdarima, která automaticky vybírá parametry modelu ARIMA na základě povahy dat časových řad. Tady je příklad:
V příkladu kódu výše nejprve použijte knihovnu pandas k přečtení dat časových řad a nastavte sloupec data jako index. Poté použijte funkci auto_arima() k automatickému výběru parametrů modelu ARIMA a jejich přiřazení k proměnné modelu. Nakonec je model ARIMA upraven pomocí funkce fit() a vytiskne se souhrn parametrů modelu.
Příklady aplikací automatických modelů ARIMA
Zde je praktický příklad aplikace, který ukazuje, jak použít automatický ARIMA model Pythonu pro analýzu a predikci časových řad.
Řekněme, že máme prodejní dataset, který obsahuje prodejní data za každý měsíc. Doufáme, že tuto datovou sadu využijeme k předpovědi prodejů v nadcházejících měsících. Nejprve musíme data přečíst a provést potřebné předběžné zpracování:
V uvedeném kódu jsme použili knihovnu pandas ke čtení prodejních dat a nastavili sloupec data jako index. Poté použijeme funkci diff() k diferencaci dat v prvním pořadí, čímž data vznikne stacionární posloupnost.
Dále můžeme použít automatizovaný model ARIMA k predikci budoucích prodejů:
V uvedeném kódu se funkce auto_arima() používá k automatickému výběru parametrů modelu ARIMA a jejich přiřazení k proměnné modelu. Poté použijte funkci fit() pro přizpůsobení modelu ARIMA. Nakonec použijte funkci predict() k predikci prodejů na několik následujících měsíců a převeďte výsledky do DataFrame pro data a prodeje.
shrnutí
Tento článek představuje základní principy a využití automatických ARIMA modelů v Pythonu. Automatizované modely ARIMA mohou automaticky vybrat vhodný model na základě povahy dat časových řad a poskytovat přesné výsledky predikce. Díky automatickým modelům ARIMA můžeme snadněji provádět analýzu a predikci časových řad, což nám pomáhá činit přesnější rozhodnutí. Doufám, že vám tento článek pomohl pochopit a aplikovat automatický model ARIMA!
Původní:Přihlášení k hypertextovému odkazu je viditelné. |
Zveřejněno 2025-5-20 08:56:39
|
|
|
