Automatisk ARIMA-modell i Python

Lilla avskum · Publicerad 2025-5-20 08:56:39

I denna artikel kommer vi att introducera den automatiska ARIMA-modellen i Python och dess tillämpning inom tidsserieanalys och prognostisering. ARIMA (Autoregressiv glidande medelvärdesmodell) är en klassisk statistisk modell som används i stor utsträckning för modellering och prognoser av tidsseriedata. Automatic ARIMA Model är ett kraftfullt verktyg i Python som automatiskt väljer de bästa ARIMA-modellens parametrar och ger noggranna prediktionsresultat.

Vad är ARIMA-modellen?

ARIMA-modellen består av tre delar: autoregression (AR), differens (I) och glidande medelvärde (MA). Genom att kombinera dessa tre delar kan ARIMA-modellen modellera och förutsäga ett brett spektrum av tidsseriedata.

Autoregression (AR): Detta avsnitt används främst för att beskriva beroendena mellan nuvarande och tidigare värden. Det indikerar att det aktuella värdet erhålls från en linjär kombination av tidigare värden.
Skillnad (I): Denna sektion används för att jämna ut tidsseriedata. Stationära sekvenser är serier där medelvärde, varians och självkoordinerande varians inte förändras över tid.
Glidande medelvärde (MA): Detta avsnitt används för att beskriva sambandet mellan tidigare och nuvarande fel. Det indikerar att det aktuella felet är en linjär kombination av tidigare fel.

ARIMA-modellen kan välja olika ordningar av AR, I och MA beroende på tidsseriedatans natur för att uppnå bästa möjliga anpassningseffekt.

Hur man använder Pythons automatiska ARIMA-modell

För att använda Pythons automatiska ARIMA-modell behöver du först installera statsmodels-biblioteket och pmdarima-biblioteket. Efter att ha installerat dessa två bibliotek kan du börja använda funktionen auto_arima() för modellval och anpassning.

Funktionen auto_arima() är en kraftfull funktion i pmdarima-biblioteket som automatiskt väljer parametrarna i ARIMA-modellen baserat på tidsseriedatans natur. Här är ett exempel:

Inloggningen är synlig.

I exempelkoden ovan, använd först pandas-biblioteket för att läsa tidsseriedata och sätt datumkolumnen som ett index. Använd sedan funktionen auto_arima() för att automatiskt välja parametrarna för ARIMA-modellen och tilldela dem till modellvariabeln. Slutligen anpassas ARIMA-modellen med fit()-funktionen, och modellens parametersammanfattning skrivs ut.

Exempel på tillämpningar av automatiska ARIMA-modeller

Här är ett praktiskt exempel på tillämpning för att visa hur man använder Pythons automatiska ARIMA-modell för tidsserieanalys och prediktion.

Låt oss säga att vi har en försäljningsdatamängd som innehåller försäljningsdata för varje månad. Vi hoppas kunna använda denna datamängd för att förutsäga försäljningen under de kommande månaderna. Först måste vi läsa datan och utföra nödvändig förbehandling:

Inloggningen är synlig.

I koden ovanstående använde vi pandas-biblioteket för att läsa försäljningsdata och satte datumkolumnen som ett index. Vi använder sedan diff()-funktionen för att derivera data i första ordningen för att göra datan till en stationär sekvens.

Nästa steg är att använda den automatiserade ARIMA-modellen för att förutsäga framtida försäljning:

Inloggningen är synlig.

I koden ovan används funktionen auto_arima() för att automatiskt välja parametrarna för ARIMA-modellen och tilldela dem till modellvariabeln. Använd sedan fit()-funktionen för att anpassa ARIMA-modellen. Använd slutligen funktionen predict() för att förutsäga försäljning för de kommande månaderna och konvertera resultaten till en DataFrame för datum och försäljning.

sammanfattning

Denna artikel introducerar grundprinciperna och användningen av automatiska ARIMA-modeller i Python. Automatiserade ARIMA-modeller kan automatiskt välja lämplig ARIMA-modell baserat på tidsseriedatans natur och ge noggranna prediktionsresultat. Genom att använda automatiska ARIMA-modeller kan vi lättare utföra tidsserieanalys och förutsägelse, vilket hjälper oss att fatta mer exakta beslut. Jag hoppas att den här artikeln har varit till hjälp för dig när det gäller att förstå och tillämpa den automatiska ARIMA-modellen!

Original:Inloggningen med hyperlänken är synlig.

[Kommunikation] Automatisk ARIMA-modell i Python

Relaterade inlägg

Avsnitt som ses