Automatisk ARIMA-modell i Python

Lille skurk · Publisert 2025-05-20 08:56:39

I denne artikkelen vil vi introdusere den automatiske ARIMA-modellen i Python og dens anvendelse i tidsserieanalyse og prognoser. ARIMA (Autoregressiv glidende gjennomsnittsmodell) er en klassisk statistisk modell som er mye brukt i modellering og prognoser av tidsseriedata. Automatisk ARIMA-modellen er et kraftig verktøy i Python som automatisk velger de beste ARIMA-modellens parametere og gir nøyaktige prediksjonsresultater.

Hva er ARIMA-modellen?

ARIMA-modellen består av tre deler: autoregression (AR), differanse (I) og glidende gjennomsnitt (MA). Ved å kombinere disse tre delene kan ARIMA-modellen modellere og forutsi et bredt spekter av tidsseriedata.

Autoregresjon (AR): Denne delen brukes primært til å beskrive avhengighetene mellom nåværende og tidligere verdier. Det indikerer at den nåværende verdien er oppnådd fra en lineær kombinasjon av tidligere verdier.
Forskjell (I): Denne delen brukes til å jevne ut tidsseriedata. Stasjonære sekvenser er serier der gjennomsnitt, varians og selvkoordinerende varians ikke endres over tid.
Glidende gjennomsnitt (MA): Denne delen brukes til å beskrive forholdet mellom tidligere og nåværende feil. Det indikerer at den nåværende feilen er en lineær kombinasjon av tidligere feil.

ARIMA-modellen kan velge ulike ordener av AR, I og MA basert på tidsseriedataene for å oppnå best mulig tilpasning.

Hvordan bruke Pythons automatiske ARIMA-modell

For å bruke Pythons automatiske ARIMA-modell må du først installere statsmodels-biblioteket og pmdarima-biblioteket. Etter å ha installert disse to bibliotekene, kan du begynne å bruke auto_arima()-funksjonen for modellvalg og tilpasning.

auto_arima()-funksjonen er en kraftig funksjon i pmdarima-biblioteket som automatisk velger parameterne til ARIMA-modellen basert på arten av tidsseriedataene. Her er et eksempel:

Innlogging er synlig.

I eksempelkoden ovenfor, bruk først pandas-biblioteket for å lese tidsseriedataene og sett datokolonnen som en indeks. Bruk deretter funksjonen auto_arima() for automatisk å velge parameterne til ARIMA-modellen og tildele dem til modellvariabelen. Til slutt tilpasses ARIMA-modellen ved hjelp av fit()-funksjonen, og modellens parameteroppsummering skrives ut.

Eksempler på anvendelser av automatiske ARIMA-modeller

Her er et praktisk anvendelseseksempel for å demonstrere hvordan man bruker Pythons automatiske ARIMA-modell for tidsserieanalyse og prediksjon.

La oss si at vi har et salgsdatasett som inneholder salgsdata for hver måned. Vi håper å bruke dette datasettet til å forutsi salg i de kommende månedene. Først må vi lese dataene og utføre nødvendig forhåndsbehandling:

Innlogging er synlig.

I koden ovenfor brukte vi pandas-biblioteket til å lese salgsdataene og satte datokolonnen som indeks. Vi bruker deretter diff()-funksjonen for å differensiere dataene i første orden, slik at dataene blir en stasjonær sekvens.

Deretter kan vi bruke den automatiserte ARIMA-modellen for å forutsi fremtidige salg:

Innlogging er synlig.

I koden ovenfor brukes auto_arima()-funksjonen til automatisk å velge parameterne til ARIMA-modellen og tildele dem til modellvariabelen. Bruk deretter fit()-funksjonen for å tilpasse ARIMA-modellen. Til slutt, bruk forutsig()-funksjonen for å forutsi salg for de neste månedene og konverter resultatene til en DataFrame for datoer og salg.

sammendrag

Denne artikkelen introduserer de grunnleggende prinsippene og bruken av automatiske ARIMA-modeller i Python. Automatiserte ARIMA-modeller kan automatisk velge riktig ARIMA-modell basert på tidsseriedataene og gi nøyaktige prediksjonsresultater. Ved å bruke automatiske ARIMA-modeller kan vi lettere utføre tidsserieanalyse og prediksjon, noe som hjelper oss å ta mer nøyaktige beslutninger. Jeg håper denne artikkelen har vært til hjelp for deg i å forstå og anvende den automatiske ARIMA-modellen!

Original:Innloggingen med hyperkoblingen er synlig.

[Kommunikasjon] Automatisk ARIMA-modell i Python

Relaterte innlegg

Seksjoner sett