W tym artykule przedstawimy automatyczny model ARIMA w Pythonie oraz jego zastosowanie w analizie i prognozowaniu szeregów czasowych. ARIMA (Autoregresyjny Model średniej kroczącej) to klasyczny model statystyczny szeroko stosowany w modelowaniu i prognozowaniu danych szeregów czasowych. Automatyczny Model ARIMA to potężne narzędzie w Pythonie, które automatycznie wybiera najlepsze parametry modelu ARIMA i zapewnia dokładne wyniki predykcji.
Czym jest model ARIMA?
Model ARIMA składa się z trzech części: autoregresji (AR), różnicy (I) oraz średniej kroczącej (MA). Łącząc te trzy części, model ARIMA może modelować i przewidywać szeroki zakres danych o szeregach czasowych.
- Autoregresja (AR): Ta sekcja służy głównie do opisu zależności między wartościami bieżącymi a przeszłymi. Oznacza to, że aktualna wartość jest uzyskiwana z liniowej kombinacji wartości poprzednich.
- Różnica (I): Ta sekcja służy do wygładzania danych szeregów czasowych. Ciągi stacjonarne to szeregi, w których średnia, wariancja i samokoordynujące się wariancje nie zmieniają się w czasie.
- Średnia krocząca (MA): Ta sekcja służy do opisu zależności między błędami przeszłymi a obecnymi. Wskazuje to, że obecny błąd jest liniową kombinacją błędów z przeszłości.
Model ARIMA może wybierać różne rzędy AR, I i MA zgodnie z charakterem danych szeregów czasowych, aby osiągnąć najlepszy efekt dopasowania.
Jak korzystać z automatycznego modelu ARIMA w Pythonie
Aby użyć automatycznego modelu ARIMA w Pythonie, najpierw musisz zainstalować bibliotekę statsmodels oraz bibliotekę pmdarima. Po zainstalowaniu tych dwóch bibliotek możesz zacząć używać funkcji auto_arima() do wyboru i dopasowywania modeli.
Funkcja auto_arima() jest potężną funkcją w bibliotece pmdarima, która automatycznie wybiera parametry modelu ARIMA w oparciu o charakter danych szeregów czasowych. Oto przykład:
W przykładowym kodzie powyżej najpierw użyj biblioteki pandas do odczytu danych szeregów czasowych i ustaw kolumnę daty jako indeks. Następnie użyj funkcji auto_arima(), aby automatycznie wybrać parametry modelu ARIMA i przypisać je zmiennej modelu. Na koniec model ARIMA jest dopasowywany za pomocą funkcji fit(), a podsumowanie parametrów modelu jest drukowane.
Przykłady zastosowań automatycznych modeli ARIMA
Oto praktyczny przykład zastosowania, który pokazuje sposób wykorzystania automatycznego modelu ARIMA Pythona do analizy i prognozowania szeregów czasowych.
Załóżmy, że mamy zbiór danych sprzedażowych zawierający dane sprzedażowe dla każdego miesiąca. Mamy nadzieję wykorzystać ten zbiór danych do przewidywania sprzedaży w nadchodzących miesiącach. Najpierw musimy odczytać dane i przeprowadzić niezbędne wstępne przetwarzanie:
W powyższym kodzie użyliśmy biblioteki pandas do odczytu danych sprzedażowych i ustawiliśmy kolumnę daty jako indeks. Następnie używamy funkcji diff() do różniczkowania danych w pierwszym rzędzie, aby uczynić dane nieruchomą sekwencją.
Następnie możemy wykorzystać zautomatyzowany model ARIMA do przewidywania przyszłej sprzedaży:
W powyższym kodzie funkcja auto_arima() służy do automatycznego wyboru parametrów modelu ARIMA i przypisania ich zmiennej modelu. Następnie użyj funkcji fit(), aby dopasować model ARIMA. Na koniec użyj funkcji predict(), aby przewidzieć sprzedaż na najbliższe miesiące i przekonwertować wyniki na DataFrame dla dat i sprzedaży.
streszczenie
Ten artykuł przedstawia podstawowe zasady i zastosowanie automatycznych modeli ARIMA w Pythonie. Zautomatyzowane modele ARIMA mogą automatycznie wybrać odpowiedni model ARIMA na podstawie charakteru danych szeregów czasowych i dostarczać dokładne wyniki prognozowania. Dzięki automatycznym modelom ARIMA łatwiej analizujemy i przewidujemy szeregi czasowe, co pomaga podejmować dokładniejsze decyzje. Mam nadzieję, że ten artykuł pomógł Ci zrozumieć i zastosować automatyczny model ARIMA!
Oryginał:Logowanie do linku jest widoczne. |
Opublikowano 2025-5-20 08:56:39
|
|
|
