V tem članku bomo predstavili avtomatski ARIMA model v Pythonu in njegovo uporabo pri analizi in napovedovanju časovnih vrst. ARIMA (Avtoregresivni model drsečega povprečja) je klasičen statistični model, ki se pogosto uporablja pri modeliranju in napovedovanju podatkov o časovnih vrstah. Samodejni ARIMA model je zmogljivo orodje v Pythonu, ki samodejno izbere najboljše parametre ARIMA modela in zagotavlja natančne napovedne rezultate.
Kaj je model ARIMA?
ARIMA model je sestavljen iz treh delov: avtoregresije (AR), diferenci (I) in drsečega povprečja (MA). S kombiniranjem teh treh delov lahko model ARIMA modelira in napoveduje širok spekter časovnih vrst podatkov.
- Autoregresija (AR): Ta razdelek se predvsem uporablja za opis odvisnosti med trenutnimi in preteklimi vrednostmi. Označuje, da je trenutna vrednost pridobljena iz linearne kombinacije preteklih vrednosti.
- Razlika (I): Ta razdelek se uporablja za zgladitev podatkov časovnih vrst. Stacionarna zaporedja so zaporedja, v katerih se povprečje, varianca in samokoordinirajoča varianca s časom ne spreminjajo.
- Drseče povprečje (MA): Ta razdelek opisuje razmerje med preteklimi in trenutnimi napakami. Kaže, da je trenutna napaka linearna kombinacija preteklih napak.
Model ARIMA lahko izbere različne vrstne rede AR, I in MA glede na naravo podatkov časovnih vrst, da doseže najboljši učinek prileganja.
Kako uporabljati samodejni ARIMA model v Pythonu
Za uporabo Pythonovega samodejnega ARIMA modela morate najprej namestiti knjižnico statsmodels in knjižnico pmdarima. Po namestitvi teh dveh knjižnic lahko začnete uporabljati funkcijo auto_arima() za izbiro in prilagajanje modelov.
Funkcija auto_arima() je zmogljiva funkcija v knjižnici pmdarima, ki samodejno izbere parametre ARIMA modela glede na naravo podatkov časovnih vrst. Tukaj je primer:
V zgornjem primeru kode najprej uporabite knjižnico pandas za branje podatkov časovnih vrst in nastavite stolpec z datumom kot indeks. Nato uporabite funkcijo auto_arima() za samodejno izbiro parametrov ARIMA modela in njihovo dodelitev modelni spremenljivki. Na koncu se ARIMA model prilagodi s funkcijo fit() in natisne povzetek parametrov modela.
Primeri uporabe avtomatskih ARIMA modelov
Tukaj je praktičen primer uporabe, ki prikazuje, kako uporabiti Pythonov samodejni ARIMA model za analizo in napovedovanje časovnih vrst.
Recimo, da imamo prodajni nabor podatkov, ki vsebuje podatke o prodaji za vsak mesec. Upamo, da bomo ta nabor podatkov uporabili za napovedovanje prodaje v prihodnjih mesecih. Najprej moramo prebrati podatke in izvesti potrebno predhodno obdelavo:
V zgornji kodi smo uporabili knjižnico pandas za branje podatkov o prodaji in nastavili stolpec z datumom kot indeks. Nato uporabimo funkcijo diff() za diferenciacijo podatkov v prvem redu, da podatki postanejo stacionarna zaporedja.
Nato lahko uporabimo avtomatiziran ARIMA model za napovedovanje prihodnje prodaje:
V zgornji kodi se funkcija auto_arima() uporablja za samodejno izbiro parametrov ARIMA modela in njihovo dodelitev modelni spremenljivki. Nato uporabite funkcijo fit() za prilagoditev ARIMA modela. Nazadnje uporabite funkcijo predict() za napovedovanje prodaje za naslednje mesece in pretvorite rezultate v DataFrame za datume in prodaje.
Povzetek
Ta članek predstavlja osnovna načela in uporabo avtomatskih ARIMA modelov v Pythonu. Avtomatizirani ARIMA modeli lahko samodejno izberejo ustrezen ARIMA model glede na naravo podatkov časovnih vrst in zagotovijo natančne napovedne rezultate. Z uporabo avtomatskih ARIMA modelov lahko lažje izvajamo analizo in napovedovanje časovnih vrst, kar nam pomaga sprejemati natančnejše odločitve. Upam, da vam je ta članek pomagal pri razumevanju in uporabi samodejnega ARIMA modela!
Izvirno:Prijava do hiperpovezave je vidna. |
Objavljeno 2025-5-20 08:56:39
|
|
|
