În acest articol, vom introduce modelul automat ARIMA în Python și aplicarea sa în analiza și prognoză a seriilor temporale. ARIMA (Autoregressive Moving Medium Model) este un model statistic clasic folosit pe scară largă în modelarea și prognoza datelor din serii temporale. Modelul ARIMA automat este un instrument puternic în Python care selectează automat cei mai buni parametri ai modelului ARIMA și oferă rezultate de predicție precise.
Ce este modelul ARIMA?
Modelul ARIMA este format din trei părți: autoregresie (AR), diferență (I) și medie mobilă (MA). Prin combinarea acestor trei părți, modelul ARIMA poate modela și prezice o gamă largă de date despre serii temporale.
- Autoregresie (AR): Această secțiune este folosită în principal pentru a descrie dependențele dintre valorile actuale și cele trecute. Indică faptul că valoarea curentă este obținută dintr-o combinație liniară de valori trecute.
- Diferența (I): Această secțiune este folosită pentru a netezi datele seriilor temporale. Secvențele staționare sunt serii în care media, varianța și varianța auto-coordonată nu se schimbă în timp.
- Media mobilă (MA): Această secțiune este folosită pentru a descrie relația dintre erorile trecute și actuale. Indică faptul că eroarea curentă este o combinație liniară de erori anterioare.
Modelul ARIMA poate selecta diferite ordine de AR, I și MA în funcție de natura datelor seriilor temporale pentru a obține cel mai bun efect de ajustare.
Cum să folosești modelul automat ARIMA din Python
Pentru a folosi modelul automat ARIMA din Python, trebuie mai întâi să instalezi biblioteca statsmodels și biblioteca pmdarima. După instalarea acestor două biblioteci, poți începe să folosești funcția auto_arima() pentru selectarea și potrivirea modelului.
Funcția auto_arima() este o funcție puternică în biblioteca pmdarima care selectează automat parametrii modelului ARIMA pe baza naturii datelor din seria temporală. Iată un exemplu:
În codul exemplu de mai sus, folosește mai întâi biblioteca pandas pentru a citi datele seriei temporale și setează coloana de dată ca index. Apoi, folosește funcția auto_arima() pentru a selecta automat parametrii modelului ARIMA și a-i atribui variabilei modelului. În final, modelul ARIMA este ajustat folosind funcția fit(), iar rezumatul parametrilor modelului este tipărit.
Exemple de aplicații ale modelelor automate ARIMA
Iată un exemplu practic de aplicație pentru a demonstra cum să folosești modelul automat ARIMA al Python pentru analiza și predicția seriilor temporale.
Să presupunem că avem un set de date de vânzări care conține date despre vânzări pentru fiecare lună. Sperăm să folosim acest set de date pentru a prezice vânzările în lunile următoare. Mai întâi, trebuie să citim datele și să efectuăm preprocesarea necesară:
În codul de mai sus, am folosit biblioteca pandas pentru a citi datele de vânzări și a seta coloana de dată ca index. Apoi folosim funcția diff() pentru a diferenția datele în primul ordin, transformând datele într-o secvență staționară.
În continuare, putem folosi modelul automatizat ARIMA pentru a prezice vânzările viitoare:
În codul de mai sus, funcția auto_arima() este folosită pentru a selecta automat parametrii modelului ARIMA și a-i atribui variabilei modelului. Apoi, folosește funcția fit() pentru a ajusta modelul ARIMA. În final, folosește funcția predict() pentru a prezice vânzările pentru următoarele luni și convertește rezultatele într-un DataFrame pentru date și vânzări.
rezumat
Acest articol prezintă principiile de bază și utilizarea modelelor automate ARIMA în Python. Modelele ARIMA automate pot selecta automat modelul ARIMA corespunzător pe baza naturii datelor seriei temporale și pot oferi rezultate de predicție precise. Prin utilizarea modelelor automate ARIMA, putem efectua mai ușor analize și predicții ale seriilor temporale, ceea ce ne ajută să luăm decizii mai precise. Sper că acest articol ți-a fost de ajutor în înțelegerea și aplicarea modelului automat ARIMA!
Original:Autentificarea cu hyperlink este vizibilă. |
Postat la 2025-05-2000 08:56:39
|
|
|
