V tomto článku predstavíme automatický ARIMA model v Pythone a jeho využitie v analýze a prognózovaní časových radov. ARIMA (Autoregresívny model kľudného priemeru) je klasický štatistický model široko používaný pri modelovaní a predpovedaní časových radov dát. Automatický ARIMA Model je výkonný nástroj v Pythone, ktorý automaticky vyberá najlepšie parametre ARIMA modelu a poskytuje presné predikčné výsledky.
Čo je to model ARIMA?
Model ARIMA pozostáva z troch častí: autoregresia (AR), diferencia (I) a kĺzavý priemer (MA). Kombinovaním týchto troch častí dokáže model ARIMA modelovať a predpovedať široké spektrum časových radov dát.
- Autoregresia (AR): Táto časť sa primárne používa na opis závislostí medzi aktuálnymi a minulými hodnotami. Naznačuje, že aktuálna hodnota je získaná lineárnou kombináciou minulých hodnôt.
- Rozdiel (I): Táto sekcia slúži na vyhladenie časových radov údajov. Stacionárne postupnosti sú série, v ktorých sa priemer, rozptyl a samokoordinujúci rozptyl nemenia v čase.
- Kĺzavý priemer (MA): Táto časť sa používa na opis vzťahu medzi minulými a súčasnými chybami. Naznačuje, že aktuálna chyba je lineárnou kombináciou minulých chýb.
Model ARIMA dokáže vybrať rôzne poradia AR, I a MA podľa povahy dát časových radov, aby dosiahol najlepší efekt prispôsobenia.
Ako používať automatický model ARIMA v Pythone
Na použitie automatického ARIMA modelu v Pythone musíte najskôr nainštalovať knižnicu statsmodels a knižnicu pmdarima. Po inštalácii týchto dvoch knižníc môžete začať používať funkciu auto_arima() na výber a prispôsobenie modelu.
Funkcia auto_arima() je výkonná funkcia v knižnici pmdarima, ktorá automaticky vyberá parametre modelu ARIMA na základe povahy dát časových radov. Tu je príklad:
V príklade kódu vyššie najprv použite knižnicu pandas na čítanie dát časových radov a nastavte stĺpec dátumu ako index. Potom použite funkciu auto_arima() na automatický výber parametrov modelu ARIMA a ich priradenie k modelovej premennej. Nakoniec sa model ARIMA prispôsobí pomocou funkcie fit() a vytlačí sa zhrnutie parametrov modelu.
Príklady aplikácií automatických ARIMA modelov
Tu je praktický príklad aplikácie, ktorý ukazuje, ako použiť automatický ARIMA model Pythonu na analýzu a predikciu časových radov.
Povedzme, že máme predajný dataset, ktorý obsahuje predajné údaje za každý mesiac. Dúfame, že tento súbor údajov využijeme na predpovedanie predaja v nasledujúcich mesiacoch. Najprv musíme prečítať dáta a vykonať potrebné predspracovanie:
V uvedenom kóde sme použili knižnicu pandas na čítanie predajných dát a nastavili stĺpec dátumu ako index. Potom použijeme funkciu diff() na diferencáciu dát v prvom poradí, aby sa údaje stali stacionárnou sekvenciou.
Ďalej môžeme použiť automatizovaný model ARIMA na predpovedanie budúcich predajov:
V uvedenom kóde sa funkcia auto_arima() používa na automatický výber parametrov modelu ARIMA a ich priradenie k premennej modelu. Potom použite funkciu fit() na prispôsobenie modelu ARIMA. Nakoniec použite funkciu predict() na predpovedanie predajov na nasledujúce mesiace a preveďte výsledky do DataFrame pre dátumy a predaje.
súhrn
Tento článok predstavuje základné princípy a použitie automatických ARIMA modelov v Pythone. Automatizované modely ARIMA dokážu automaticky vybrať vhodný model ARIMA na základe povahy dát z časových radov a poskytnúť presné výsledky predikcie. Použitím automatických modelov ARIMA môžeme jednoduchšie vykonávať analýzu a predikciu časových radov, čo nám pomáha robiť presnejšie rozhodnutia. Dúfam, že vám tento článok pomohol pochopiť a aplikovať automatický model ARIMA!
Originál:Prihlásenie na hypertextový odkaz je viditeľné. |
Zverejnené 2025-5-20 08:56:39
|
|
|
