Šajā rakstā mēs iepazīstināsim ar automātisko ARIMA modeli Python un tā pielietojumu laika rindu analīzē un prognozēšanā. ARIMA (Autoregresīvais slīdošā vidējā modelis) ir klasisks statistisks modelis, ko plaši izmanto laika rindu datu modelēšanā un prognozēšanā. Automātiskais ARIMA modelis ir spēcīgs Python rīks, kas automātiski atlasa labākos ARIMA modeļa parametrus un nodrošina precīzus prognozēšanas rezultātus.
Kas ir ARIMA modelis?
ARIMA modelis sastāv no trim daļām: autoregresija (AR), starpība (I) un slīdošā vidējā (MA). Apvienojot šīs trīs daļas, ARIMA modelis var modelēt un prognozēt plašu laika rindu datu klāstu.
- Autoregresija (AR): šī sadaļa galvenokārt tiek izmantota, lai aprakstītu atkarības starp pašreizējām un iepriekšējām vērtībām. Tas norāda, ka pašreizējā vērtība tiek iegūta no pagātnes vērtību lineāras kombinācijas.
- Atšķirība (I): šī sadaļa tiek izmantota, lai izlīdzinātu laikrindu datus. Stacionārās secības ir sērijas, kurās vidējais, dispersija un paškoordinācijas dispersija laika gaitā nemainās.
- Mainīgais vidējais (MA): šī sadaļa tiek izmantota, lai aprakstītu saistību starp pagātnes un pašreizējām kļūdām. Tas norāda, ka pašreizējā kļūda ir lineāra pagātnes kļūdu kombinācija.
ARIMA modelis var izvēlēties dažādas AR, I un MA kārtas atbilstoši laikrindu datu raksturam, lai sasniegtu vislabāko piemērotības efektu.
Kā izmantot Python automātisko ARIMA modeli
Lai izmantotu Python automātisko ARIMA modeli, vispirms jāinstalē statsmodels bibliotēka un pmdarima bibliotēka. Pēc šo divu bibliotēku instalēšanas modeļa izvēlei un uzstādīšanai varat sākt izmantot funkciju auto_arima().
Funkcija auto_arima() ir jaudīga funkcija pmdarima bibliotēkā, kas automātiski atlasa ARIMA modeļa parametrus, pamatojoties uz laika rindu datu raksturu. Tālāk ir sniegts piemērs.
Iepriekš minētajā koda piemērā vispirms izmantojiet pandu bibliotēku, lai lasītu laikrindas datus un iestatītu datuma kolonnu kā indeksu. Pēc tam izmantojiet funkciju auto_arima(), lai automātiski atlasītu ARIMA modeļa parametrus un piešķirtu tos modeļa mainīgajam. Visbeidzot, ARIMA modelis tiek uzstādīts, izmantojot fit() funkciju, un modeļa parametru kopsavilkums tiek izdrukāts.
Automātisko ARIMA modeļu pielietojumu piemēri
Šeit ir praktisks pielietojuma piemērs, lai parādītu, kā izmantot Python automātisko ARIMA modeli laika rindu analīzei un prognozēšanai.
Pieņemsim, ka mums ir pārdošanas datu kopa, kas satur pārdošanas datus par katru mēnesi. Mēs ceram izmantot šo datu kopu, lai prognozētu pārdošanas apjomus nākamajos mēnešos. Pirmkārt, mums ir jāizlasa dati un jāveic nepieciešamā pirmapstrāde:
Iepriekš minētajā kodā mēs izmantojām pandu bibliotēku, lai lasītu pārdošanas datus un iestatītu datuma kolonnu kā indeksu. Pēc tam mēs izmantojam funkciju diff(), lai diferencētu datus pirmajā secībā, lai padarītu datus par stacionāru secību.
Tālāk mēs varam izmantot automatizēto ARIMA modeli, lai prognozētu nākotnes pārdošanas apjomus:
Iepriekš minētajā kodā funkcija auto_arima() tiek izmantota, lai automātiski atlasītu ARIMA modeļa parametrus un piešķirtu tos modeļa mainīgajam. Pēc tam izmantojiet funkciju fit(), lai atbilstu ARIMA modelim. Visbeidzot, izmantojiet funkciju predict(), lai prognozētu pārdošanas apjomus nākamajiem mēnešiem un pārvērstu rezultātus datumu un pārdošanas datu rāmī.
Kopsavilkuma
Šajā rakstā ir iepazīstināti ar automātisko ARIMA modeļu pamatprincipiem un lietošanu Python. Automatizētie ARIMA modeļi var automātiski atlasīt atbilstošo ARIMA modeli, pamatojoties uz laika rindu datu raksturu, un sniegt precīzus prognozēšanas rezultātus. Izmantojot automātiskos ARIMA modeļus, mēs varam vieglāk veikt laika rindu analīzi un prognozēšanu, kas palīdz mums pieņemt precīzākus lēmumus. Es ceru, ka šis raksts jums ir bijis noderīgs, lai izprastu un piemērotu automātisko ARIMA modeli!
Sākotnējā:Hipersaites pieteikšanās ir redzama. |
Publicēts 2025-5-20 08:56:39
|
|
|
