Selles artiklis tutvustame automaatset ARIMA mudelit Pythonis ja selle rakendust ajaseeriate analüüsis ja prognoosimises. ARIMA (autoregressiivne liikuva keskmise mudel) on klassikaline statistiline mudel, mida kasutatakse laialdaselt ajaseeriate andmete modelleerimisel ja prognoosimisel. Automaatne ARIMA mudel on võimas tööriist Pythonis, mis valib automaatselt parimad ARIMA mudeli parameetrid ja annab täpseid ennustustulemusi.
Mis on ARIMA mudel?
ARIMA mudel koosneb kolmest osast: autoregressioon (AR), erinevus (I) ja liikuv keskmine (MA). Kombineerides neid kolme osa, suudab ARIMA mudel modelleerida ja ennustada laia valikut ajaseeriate andmeid.
- Autoregressioon (AR): Seda osa kasutatakse peamiselt praeguste ja varasemate väärtuste sõltuvuste kirjeldamiseks. See näitab, et praegune väärtus saadakse mineviku väärtuste lineaarse kombinatsiooni kaudu.
- Erinevus (I): Seda osa kasutatakse ajaseeriate andmete silumiseks. Statsionaarsed järjestused on seeriad, kus keskmine, dispersioon ja isekoordineeriv dispersioon ajas ei muutu.
- Liikuv keskmine (MA): Seda osa kasutatakse mineviku ja praeguste vigade seose kirjeldamiseks. See näitab, et praegune viga on lineaarne kombinatsioon varasematest vigadest.
ARIMA mudel suudab valida erinevaid AR, I ja MA järjestusi vastavalt ajaseeria andmete olemusele, et saavutada parim sobiv efekt.
Kuidas kasutada Python'i automaatset ARIMA mudelit
Python'i automaatse ARIMA mudeli kasutamiseks tuleb esmalt paigaldada statsmodels ja pmdarima teek. Pärast nende kahe teegi paigaldamist saad hakata kasutama auto_arima() funktsiooni mudelivalikuks ja sobitamiseks.
auto_arima() funktsioon on võimas funktsioon pmdarima teegis, mis automaatselt valib ARIMA mudeli parameetrid ajaseeria andmete olemuse põhjal. Siin on näide:
Ülaltoodud näitekoodis kasuta esmalt pandase teeki, et lugeda ajaseeria andmeid ja määrata kuupäevaveerg indeksiks. Seejärel kasuta auto_arima() funktsiooni, et automaatselt valida ARIMA mudeli parameetrid ja määrata need mudelimuutujale. Lõpuks sobitatakse ARIMA mudel fit() funktsiooniga ning mudeli parameetrite kokkuvõte trükitakse.
Näited automaatsete ARIMA mudelite rakendustest
Siin on praktiline rakendusnäide, mis näitab, kuidas kasutada Python'i automaatset ARIMA mudelit ajaseeriate analüüsiks ja ennustamiseks.
Oletame, et meil on müügiandmestik, mis sisaldab iga kuu müügiandmeid. Loodame seda andmestikku kasutada müügi ennustamiseks lähikuudel. Esiteks peame andmeid lugema ja tegema vajaliku eeltöötluse:
Ülaltoodud koodis kasutasime pandas teeki, et lugeda müügiandmeid ja määrata kuupäevaveerg indeksiks. Seejärel kasutame diff() funktsiooni, et diferentseeruda andmed esimeses järjekorras, et muuta andmed statsionaarseks järjestuseks.
Järgmisena saame kasutada automatiseeritud ARIMA mudelit tulevaste müükide ennustamiseks:
Ülaltoodud koodis kasutatakse auto_arima() funktsiooni, et automaatselt valida ARIMA mudeli parameetrid ja määrata need mudelimuutujale. Seejärel kasuta fit() funktsiooni, et sobitada ARIMA mudel. Lõpuks kasuta predict() funktsiooni, et ennustada järgmiste kuude müüki ja teisenda tulemused kuupäevade ja müügi andmeraamiks.
Kokkuvõte
See artikkel tutvustab automaatsete ARIMA mudelite põhialuseid ja kasutust Pythonis. Automatiseeritud ARIMA mudelid suudavad automaatselt valida sobiva ARIMA mudeli, lähtudes ajaseeria andmete olemusest, ning anda täpseid ennustustulemusi. Automaatsete ARIMA mudelite abil saame lihtsamalt teha ajaseeriate analüüsi ja prognoosi, mis aitab teha täpsemaid otsuseid. Loodan, et see artikkel on sulle aidanud automaatse ARIMA mudeli mõistmisel ja rakendamisel!
Originaal:Hüperlingi sisselogimine on nähtav. |
Postitatud 2025-5-20 08:56:39
|
|
|
