I denne artikel vil vi introducere den automatiske ARIMA-model i Python og dens anvendelse i tidsserieanalyse og prognoser. ARIMA (Autoregressiv glidende gennemsnitsmodel) er en klassisk statistisk model, der er bredt anvendt til modellering og prognoser af tidsseriedata. Automatisk ARIMA-modellen er et kraftfuldt værktøj i Python, der automatisk vælger de bedste ARIMA-modelparametre og giver nøjagtige forudsigelsesresultater.
Hvad er ARIMA-modellen?
ARIMA-modellen består af tre dele: autoregression (AR), differens (I) og glidende gennemsnit (MA). Ved at kombinere disse tre dele kan ARIMA-modellen modellere og forudsige et bredt udvalg af tidsseriedata.
- Autoregression (AR): Dette afsnit bruges primært til at beskrive afhængighederne mellem nuværende og tidligere værdier. Det angiver, at den nuværende værdi opnås fra en lineær kombination af tidligere værdier.
- Forskel (I): Denne sektion bruges til at udjævne tidsseriedata. Stationære sekvenser er serier, hvor gennemsnittet, variansen og den selvkoordinerende varians ikke ændrer sig over tid.
- Glidende gennemsnit (MA): Dette afsnit bruges til at beskrive forholdet mellem tidligere og nuværende fejl. Det indikerer, at den nuværende fejl er en lineær kombination af tidligere fejl.
ARIMA-modellen kan vælge forskellige ordener af AR, I og MA alt efter tidsseriedataenes natur for at opnå den bedst mulige tilpasningseffekt.
Sådan bruger du Pythons automatiske ARIMA-model
For at bruge Pythons automatiske ARIMA-model skal du først installere statsmodels-biblioteket og pmdarima-biblioteket. Efter installation af disse to biblioteker kan du begynde at bruge auto_arima()-funktionen til modelvalg og tilpasning.
Funktionen auto_arima() er en kraftfuld funktion i pmdarima-biblioteket, som automatisk vælger parametrene i ARIMA-modellen baseret på tidsseriedataenes natur. Her er et eksempel:
I eksempelkoden ovenfor skal du først bruge pandas-biblioteket til at læse tidsseriedataene og sætte datokolonnen som et indeks. Brug derefter funktionen auto_arima() til automatisk at vælge parametrene for ARIMA-modellen og tildele dem til modelvariablen. Endelig tilpasses ARIMA-modellen ved hjælp af fit()-funktionen, og modellens parameteroversigt udskrives.
Eksempler på anvendelser af automatiske ARIMA-modeller
Her er et praktisk anvendelseseksempel, der demonstrerer, hvordan man bruger Pythons automatiske ARIMA-model til tidsserieanalyse og forudsigelse.
Lad os sige, at vi har et salgsdatasæt, der indeholder salgsdata for hver måned. Vi håber at kunne bruge dette datasæt til at forudsige salget i de kommende måneder. Først skal vi læse dataene og udføre den nødvendige forbehandling:
I ovenstående kode brugte vi pandas-biblioteket til at læse salgsdataene og satte datokolonnen som indeks. Vi bruger derefter diff()-funktionen til at differentiere dataene i første orden, så dataene bliver en stationær sekvens.
Dernæst kan vi bruge den automatiserede ARIMA-model til at forudsige fremtidige salg:
I ovenstående kode bruges funktionen auto_arima() til automatisk at vælge parametrene for ARIMA-modellen og tildele dem til modelvariablen. Brug derefter fit()-funktionen til at tilpasse ARIMA-modellen. Brug endelig forudsig()-funktionen til at forudsige salg for de næste par måneder og konverter resultaterne til en DataFrame for datoer og salg.
resumé
Denne artikel introducerer de grundlæggende principper og brugen af automatiske ARIMA-modeller i Python. Automatiserede ARIMA-modeller kan automatisk vælge den relevante ARIMA-model baseret på tidsseriedataene og levere nøjagtige forudsigelsesresultater. Ved at bruge automatiske ARIMA-modeller kan vi lettere udføre tidsserieanalyse og forudsigelse, hvilket hjælper os med at træffe mere præcise beslutninger. Jeg håber, denne artikel har været nyttig for dig i forståelsen og anvendelsen af den automatiske ARIMA-model!
Oprindelig:Hyperlink-login er synlig. |
Opslået den 20-5-2025 08:56:39
|
|
|
