Tässä artikkelissa esittelemme automaattisen ARIMA-mallin Pythonissa ja sen soveltamisen aikasarja-analyysissä ja ennustamisessa. ARIMA (Autoregressiivinen liukuva keskiarvomalli) on klassinen tilastollinen malli, jota käytetään laajasti aikasarjadatan mallintuksessa ja ennustamisessa. Automaattinen ARIMA-malli on tehokas työkalu Pythonissa, joka valitsee automaattisesti parhaat ARIMA-mallin parametrit ja tarjoaa tarkat ennustetulokset.
Mikä on ARIMA-malli?
ARIMA-malli koostuu kolmesta osasta: autoregressio (AR), erotus (I) ja liukuva keskiarvo (MA). Yhdistämällä nämä kolme osaa ARIMA-malli voi mallintaa ja ennustaa laajan valikoiman aikasarjatietoja.
- Autoregressio (AR): Tätä osiota käytetään ensisijaisesti kuvaamaan nykyisten ja menneiden arvojen välisiä riippuvuuksia. Se tarkoittaa, että nykyinen arvo saadaan lineaarisesta yhdistelmästä menneitä arvoja.
- Ero (I): Tätä osiota käytetään aikasarjadatan tasoittamiseen. Stationaariset jonot ovat sarjoja, joissa keskiarvo, varianssi ja itsekoordinoiva varianssi eivät muutu ajan myötä.
- Liukuva keskiarvo (MA): Tätä osiota käytetään kuvaamaan menneiden ja nykyisten virheiden välistä suhdetta. Se osoittaa, että nykyinen virhe on lineaarinen yhdistelmä menneistä virheistä.
ARIMA-malli voi valita eri järjestykset AR:lle, I:lle ja MA:lle aikasarjadatan luonteen mukaan parhaan sopivan vaikutuksen saavuttamiseksi.
Kuinka käyttää Pythonin automaattista ARIMA-mallia
Pythonin automaattisen ARIMA-mallin käyttämiseksi sinun täytyy ensin asentaa statsmodels-kirjasto ja pmdarima-kirjasto. Kun nämä kaksi kirjastoa on asennettu, voit alkaa käyttää auto_arima()-toimintoa mallin valintaan ja sovitukseen.
auto_arima()-funktio on tehokas funktio pmdarima-kirjastossa, joka valitsee automaattisesti ARIMA-mallin parametrit aikasarjadatan luonteen perusteella. Tässä esimerkki:
Yllä olevassa esimerkkikoodissa käytä ensin pandas-kirjastoa lukeaksesi aikasarjatiedot ja aseta päivämääräsarake indeksiksi. Sitten käytetään auto_arima()-funktiota valitsemaan automaattisesti ARIMA-mallin parametrit ja liittämään ne mallimuuttujaan. Lopuksi ARIMA-malli sovitetaan fit()-funktiolla ja mallin parametrien yhteenveto tulostetaan.
Esimerkkejä automaattisten ARIMA-mallien sovelluksista
Tässä on käytännöllinen sovellusesimerkki, joka osoittaa, miten Pythonin automaattista ARIMA-mallia käytetään aikasarjojen analyysiin ja ennustamiseen.
Oletetaan, että meillä on myyntiaineisto, joka sisältää myyntitiedot jokaiselta kuukaudelta. Toivomme voivamme käyttää tätä aineistoa myyntien ennustamiseen tulevina kuukausina. Ensiksi meidän täytyy lukea data ja suorittaa tarvittava esikäsittely:
Yllä olevassa koodissa käytimme pandas-kirjastoa lukeaksemme myyntitiedot ja asettaaksemme päivämääräsarakkeen indeksiksi. Käytämme sitten diff()-funktiota derivistääksemme datan ensimmäisessä järjestyksessä, jolloin data muodostuu stationaariseksi jonoksi.
Seuraavaksi voimme käyttää automatisoitua ARIMA-mallia ennustaaksemme tulevia myyntejä:
Yllä olevassa koodissa auto_arima()-funktiota käytetään automaattisesti valitsemaan ARIMA-mallin parametrit ja liittää ne mallimuuttujalle. Sitten käytetään fit()-funktiota sovittamaan ARIMA-malli. Lopuksi käytä predict()-funktiota ennustaaksesi myyntiä seuraaville kuukausille ja muunna tulokset DataFrame-muotoon päivämääriä ja myyntiä varten.
yhteenveto
Tässä artikkelissa esitellään automaattisten ARIMA-mallien perusperiaatteet ja käyttö Pythonissa. Automaattiset ARIMA-mallit voivat automaattisesti valita sopivan ARIMA-mallin aikasarjadatan luonteen perusteella ja tuottaa tarkkoja ennustetuloksia. Käyttämällä automaattisia ARIMA-malleja voimme helpommin suorittaa aikasarja-analyysiä ja ennustamista, mikä auttaa meitä tekemään tarkempia päätöksiä. Toivottavasti tästä artikkelista on ollut sinulle apua automaattisen ARIMA-mallin ymmärtämisessä ja soveltamisessa!
Alkuperäinen:Hyperlinkin kirjautuminen on näkyvissä. |
Julkaistu 2025-5-20 08:56:39
|
|
|
