Šiame straipsnyje pristatysime automatinį ARIMA modelį Python ir jo pritaikymą laiko eilučių analizei ir prognozavimui. ARIMA (Autoregressive Moving Average Model) yra klasikinis statistinis modelis, plačiai naudojamas modeliuojant ir prognozuojant laiko eilučių duomenis. Automatinis ARIMA modelis yra galingas Python įrankis, kuris automatiškai parenka geriausius ARIMA modelio parametrus ir pateikia tikslius prognozavimo rezultatus.
Kas yra ARIMA modelis?
ARIMA modelis susideda iš trijų dalių: autoregresijos (AR), skirtumo (I) ir slankiojo vidurkio (MA). Sujungus šias tris dalis, ARIMA modelis gali modeliuoti ir numatyti platų laiko eilučių duomenų spektrą.
- Autoregresija (AR): Šis skyrius pirmiausia naudojamas dabartinių ir ankstesnių reikšmių priklausomybėms apibūdinti. Tai rodo, kad dabartinė vertė gaunama iš tiesinio praeities verčių derinio.
- Skirtumas (I): Šis skyrius naudojamas laiko eilučių duomenims išlyginti. Stacionarios sekos yra serijos, kuriose vidurkis, dispersija ir savaime koordinuojanti dispersija laikui bėgant nesikeičia.
- Slankusis vidurkis (MA): Šis skyrius naudojamas praeities ir dabartinių klaidų ryšiui apibūdinti. Tai rodo, kad dabartinė klaida yra tiesinis praeities klaidų derinys.
ARIMA modelis gali pasirinkti skirtingas AR, I ir MA eilutes pagal laiko eilučių duomenų pobūdį, kad būtų pasiektas geriausias pritaikymo efektas.
Kaip naudoti automatinį Python ARIMA modelį
Norėdami naudoti Python automatinį ARIMA modelį, pirmiausia turite įdiegti statsmodels biblioteką ir pmdarima biblioteką. Įdiegę šias dvi bibliotekas, galite pradėti naudoti auto_arima() funkciją modelio pasirinkimui ir montavimui.
Funkcija auto_arima() yra galinga funkcija pmdarima bibliotekoje, kuri automatiškai parenka ARIMA modelio parametrus pagal laiko eilučių duomenų pobūdį. Štai pavyzdys:
Aukščiau pateiktame kodo pavyzdyje pirmiausia naudokite pandų biblioteką, kad perskaitytumėte laiko eilučių duomenis ir nustatytumėte datos stulpelį kaip indeksą. Tada naudokite funkciją auto_arima(), kad automatiškai pasirinktumėte ARIMA modelio parametrus ir priskirtumėte juos modelio kintamajam. Galiausiai ARIMA modelis pritaikomas naudojant fit() funkciją ir atspausdinama modelio parametrų suvestinė.
Automatinių ARIMA modelių taikymo pavyzdžiai
Štai praktinis taikymo pavyzdys, parodantis, kaip naudoti Python automatinį ARIMA modelį laiko eilučių analizei ir prognozavimui.
Tarkime, kad turime pardavimo duomenų rinkinį, kuriame yra kiekvieno mėnesio pardavimo duomenys. Tikimės panaudoti šį duomenų rinkinį, kad prognozuotume pardavimus ateinančiais mėnesiais. Pirmiausia turime perskaityti duomenis ir atlikti reikiamą išankstinį apdorojimą:
Aukščiau pateiktame kode naudojome pandų biblioteką, kad nuskaitytume pardavimo duomenis ir nustatytume datos stulpelį kaip indeksą. Tada naudojame diff() funkciją, kad diferencijuotume duomenis pirmąja tvarka, kad duomenys būtų stacionarūs.
Toliau galime naudoti automatizuotą ARIMA modelį, kad prognozuotume būsimus pardavimus:
Aukščiau pateiktame kode funkcija auto_arima() naudojama automatiškai pasirinkti ARIMA modelio parametrus ir priskirti juos modelio kintamajam. Tada naudokite funkciją fit(), kad tilptumėte į ARIMA modelį. Galiausiai naudokite funkciją predict(), kad nuspėtumėte ateinančių kelių mėnesių pardavimus ir konvertuotumėte rezultatus į datų ir pardavimų duomenų rėmelį.
suvestinė
Šiame straipsnyje pristatomi pagrindiniai automatinių ARIMA modelių principai ir naudojimas Python. Automatizuoti ARIMA modeliai gali automatiškai pasirinkti tinkamą ARIMA modelį pagal laiko eilučių duomenų pobūdį ir pateikti tikslius prognozavimo rezultatus. Naudodami automatinius ARIMA modelius, galime lengviau atlikti laiko eilučių analizę ir prognozavimą, o tai padeda priimti tikslesnius sprendimus. Tikiuosi, kad šis straipsnis jums buvo naudingas suprantant ir taikant automatinį ARIMA modelį!
Originalus:Hipersaito prisijungimas matomas. |
Publikuota: 2025-5-20 08:56:39
|
|
|
