全文鏈接：http://tecdat.cn/?p=12272

最近我們被客戶要求撰寫關(guān)于ARIMA的研究報告，包括一些圖形和統(tǒng)計輸出。

使用ARIMA模型，您可以使用序列過去的值預(yù)測時間序列

在本文中，我們從頭開始構(gòu)建了一個最佳ARIMA模型，并將其擴展到Seasonal ARIMA（SARIMA）和SARIMAX模型。

時間序列預(yù)測簡介

時間序列是在定期時間間隔內(nèi)記錄度量的序列。

根據(jù)頻率，時間序列可以是每年（例如：年度預(yù)算），每季度（例如：支出），每周（例如：銷售數(shù)量），每天（例如天氣），每小時（例如：股票價格），分鐘（例如：來電提示中的呼入電話），甚至是幾秒鐘（例如：網(wǎng)絡(luò)流量）。

為什么要預(yù)測？

因為預(yù)測時間序列（如需求和銷售）通常具有巨大的商業(yè)價值。

在大多數(shù)制造公司中，它驅(qū)動基本的業(yè)務(wù)計劃，采購和生產(chǎn)活動。預(yù)測中的任何錯誤都會擴散到整個供應(yīng)鏈或與此相關(guān)的任何業(yè)務(wù)環(huán)境中。因此，準確地進行預(yù)測很重要，以節(jié)省成本，這對于成功至關(guān)重要。

不僅在制造業(yè)中，時間序列預(yù)測背后的技術(shù)和概念還適用于任何業(yè)務(wù)。

現(xiàn)在，預(yù)測時間序列可以大致分為兩種類型。

如果僅使用時間序列的先前值來預(yù)測其未來值，則稱為 單變量時間序列預(yù)測。

如果您使用序列以外的其他預(yù)測變量（也稱為外生變量）進行預(yù)測，則稱為 多變量時間序列預(yù)測。

這篇文章重點介紹一種稱為ARIMA 建模的特殊類型的預(yù)測方法 。

ARIMA是一種預(yù)測算法，其基于以下思想：時間序列的過去值中的信息可以單獨用于預(yù)測未來值。

那么ARIMA模型到底是什么？

ARIMA是一類模型，可以根據(jù)自身的過去值（即自身的滯后和滯后的預(yù)測誤差）“解釋”給定的時間序列，因此可以使用方程式預(yù)測未來價值。

任何具有模式且不是隨機白噪聲的“非季節(jié)性”時間序列都可以使用ARIMA模型進行建模。

ARIMA模型的特征在于3個項：p，d，q

p是AR項

q是MA項

d是使時間序列平穩(wěn)所需的差分階數(shù)

展開全文

如果時間序列具有季節(jié)性模式，則需要添加季節(jié)性條件，該時間序列將變成SARIMA（“季節(jié)性ARIMA”的縮寫）。一旦完成ARIMA。

那么，“AR項的階數(shù)”到底意味著什么？我們先來看一下“ d”。

建立ARIMA模型的第一步是 使時間序列平穩(wěn)。

為什么？

因為ARIMA中的“自回歸”一詞意味著它是一個 線性回歸模型 ，使用自己的滯后作為預(yù)測因子。如您所知，線性回歸模型在預(yù)測變量不相關(guān)且彼此獨立時最有效。

那么如何使一序列平穩(wěn)呢？

最常見的方法是加以差分。即，從當(dāng)前值中減去先前的值。

因此，d的值是使序列平穩(wěn)所需的最小差分階數(shù)。如果時間序列已經(jīng)平穩(wěn)，則d = 0。

接下來，什么是“ p”和“ q”？

“ p”是“自回歸”（AR）項的階數(shù)。它指的是要用作預(yù)測變量的Y的滯后階數(shù)。而“ q”是“移動平均”（MA）項的階數(shù)。它是指應(yīng)輸入ARIMA模型的滯后預(yù)測誤差的數(shù)量。

什么是AR和MA模型

那么什么是AR和MA模型？AR和MA模型的實際數(shù)學(xué)公式是什么？

AR模型是Yt僅取決于其自身滯后的模型。也就是說，Yt是“ Yt滯后”的函數(shù)。

同樣，純 移動平均線（僅MA）模型 是Yt僅取決于滯后預(yù)測誤差的模型。

誤差項是各個滯后的自回歸模型的誤差。誤差Et和E（t-1）是來自以下方程式的誤差：

那分別是AR和MA模型。

那么ARIMA模型的方程是什么樣的呢？

ARIMA模型是這樣的模型，其中時間序列至少差分一次以使其平穩(wěn)，然后將AR和MA項組合在一起。因此，等式變?yōu)椋?/p>

因此，目的是識別p，d和q的值。

如何在ARIMA模型中找到差分階數(shù)（d）

進行差分的目的是使時間序列平穩(wěn)。

但是您需要注意不要使序列過分差分。因為，超差分序列可能仍然是平穩(wěn)的，這反過來將影響模型參數(shù)。

那么如何確定正確的差分階數(shù)呢？

正確的差分階數(shù)是獲得近似平穩(wěn)序列的最小差分，該序列圍繞定義的平均值波動，并且ACF曲線相當(dāng)快地達到零。

如果自相關(guān)對于許多階數(shù)之后（10個或更多）為正，則該序列需要進一步求差。

在這種情況下，你不能真正確定兩個差分階數(shù)之間的差，然后選擇在差分序列中給出最小標準偏差的階數(shù)。

讓我們來看一個例子。

首先，我將使用Augmented Dickey Fuller測試（）檢查該序列是否平穩(wěn)。

為什么？

因為，僅當(dāng)序列非平穩(wěn)時才需要進行差分。否則，不需要差分，即d ＝ 0。

ADF檢驗的零假設(shè)是時間序列是非平穩(wěn)的。因此，如果檢驗的p值小于顯著性水平（0.05），則拒絕原假設(shè)，并推斷時間序列確實是平穩(wěn)的。

因此，在我們的情況下，如果P值 0.05，我們將繼續(xù)尋找差分的階數(shù)。

from statsmodels.tsa.stattools import adfuller

from numpy import log

result = adfuller(df.value.dropna())

print('ADF Statistic: %f' % result[0])

print('p-value: %f' % result[1])

ADF Statistic: -2.464240

p-value: 0.124419

由于P值大于顯著性水平，因此讓我們對序列進行差分，看看自相關(guān)圖的樣子。

import numpy as np, pandas as pd

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

import matplotlib.pyplot as plt

plt.rcParams.update({'figure.figsize':(9,7), 'figure.dpi':120})

# 導(dǎo)入數(shù)據(jù)

df = pd.read_csv('wwwusage.csv', names=['value'], header=0)

# 原始數(shù)據(jù)

fig, axes = plt.subplots(3, 2, sharex=True)

axes[0, 0].plot(df.value); axes[0, 0].set_title('Original Series')

plot_acf(df.value, ax=axes[0, 1])

# 一階差分

axes[1, 0].plot(df.value.diff()); axes[1, 0].set_title('1st Order Differencing')

plot_acf(df.value.diff().dropna(), ax=axes[1, 1])

# 二階差分

axes[2, 0].plot(df.value.diff().diff()); axes[2, 0].set_title('2nd Order Differencing')

plot_acf(df.value.diff().diff().dropna(), ax=axes[2, 1])

plt.show()

點擊標題查閱往期內(nèi)容

Python用RNN神經(jīng)網(wǎng)絡(luò)：LSTM、GRU、回歸和ARIMA對COVID19新冠疫情人數(shù)時間序列預(yù)測

左右滑動查看更多

01

02

03

04

差分

對于以上序列，時間序列達到平穩(wěn)，具有兩個不同的階數(shù)。但是，在查看第二次差分的自相關(guān)圖時，滯后會很快進入負值區(qū)域，這表明該序列可能已經(jīng)過差分。

因此，即使該序列不是完全平穩(wěn)的（平穩(wěn)性較弱），我也將暫時將差分的階數(shù)設(shè)置為1。

## Adf 檢驗

ndiffs(y, test='adf') # 2

# KPSS 檢驗

ndiffs(y, test='kpss') # 0

# PP 檢驗:

ndiffs(y, test='pp') # 2

2 0 2

如何找到AR項的階數(shù)（p）

下一步是確定模型是否需要AR。您可以通過檢查偏自相關(guān)（PACF）圖來找出所需的AR階數(shù)。

但是什么是PACF？

排除部分滯后的影響后，可以將偏自相關(guān)想象為序列與其滯后之間的相關(guān)性。因此，PACF的傳遞傳達了滯后與序列之間的純相關(guān)性。這樣，您將知道在AR中是否需要該滯后。

如何找到AR項的階數(shù)？

平穩(wěn)序列中的任何自相關(guān)都可以通過添加足夠的AR項進行校正。因此，我們最初將AR項的階數(shù)等于超過PACF圖中顯著性區(qū)間的滯后階數(shù)。

# 一階差分的偏自相關(guān)系數(shù)圖

plt.show()

AR階數(shù)

可以觀察到，PACF滯后1階非常重要，因為它遠高于顯著性線。滯后2階也很重要，稍微超過了顯著性區(qū)間（藍色區(qū)域）。

如何找到MA項的階數(shù)（q）

就像我們在PACF圖上查看AR項的階數(shù)一樣，您也可以在ACF圖上查看MA項的階數(shù)。MA從技術(shù)上講是滯后預(yù)測的誤差。

ACF指示要消除平穩(wěn)序列中的自相關(guān)需要多少個MA項。

讓我們看一下差分序列的自相關(guān)圖。

fig, axes = plt.subplots(1, 2, sharex=True)

axes[0].plot(df.value.diff()); axes[0].set_title('1st Differencing')

axes[1].set(ylim=(0,1.2))

plot_acf(df.value.diff().dropna(), ax=axes[1])

plt.show()

MA階數(shù)

幾個滯后遠高于界限。因此，讓我們暫時將q固定為2。

如何處理時間序列差分值過低或過高

該如何處理？

如果您的序列差分值過低，通常添加一個或多個其他AR項即可。同樣，如果差分值過高，請嘗試添加其他MA項。

如何建立ARIMA模型

現(xiàn)在，已經(jīng)確定了p，d和q的值，已經(jīng)具備了擬合ARIMA模型的所有條件。

ARIMA Model Results

==============================================================================

Dep. Variable: D.value No. Observations: 99

Model: ARIMA(1, 1, 2) Log Likelihood -253.790

Method: css-mle S.D. of innovations 3.119

Date: Wed, 06 Feb 2019 AIC 517.579

Time: 23:32:56 BIC 530.555

Sample: 1 HQIC 522.829

=================================================================================

coef std err z P|z| [0.025 0.975]

---------------------------------------------------------------------------------

const 1.1202 1.290 0.868 0.387 -1.409 3.649

ar.L1.D.value 0.6351 0.257 2.469 0.015 0.131 1.139

ma.L1.D.value 0.5287 0.355 1.489 0.140 -0.167 1.224

ma.L2.D.value -0.0010 0.321 -0.003 0.998 -0.631 0.629

Roots

=============================================================================

Real Imaginary Modulus Frequency

-----------------------------------------------------------------------------

AR.1 1.5746 +0.0000j 1.5746 0.0000

MA.1 -1.8850 +0.0000j 1.8850 0.5000

MA.2 545.3515 +0.0000j 545.3515 0.0000

-----------------------------------------------------------------------------

該模型摘要揭示了很多信息。中間的表是系數(shù)表，其中“ coef”下的值是相應(yīng)項的權(quán)重。

請注意，這里的MA2項的系數(shù)接近零 。理想情況下，各個X的值應(yīng)小于0.05。

因此，讓我們在沒有MA2的情況下重建模型。

ARIMA Model Results

==============================================================================

Dep. Variable: D.value No. Observations: 99

Model: ARIMA(1, 1, 1) Log Likelihood -253.790

Method: css-mle S.D. of innovations 3.119

Date: Sat, 09 Feb 2019 AIC 515.579

Time: 12:16:06 BIC 525.960

Sample: 1 HQIC 519.779

=================================================================================

coef std err z P|z| [0.025 0.975]

---------------------------------------------------------------------------------

const 1.1205 1.286 0.871 0.386 -1.400 3.641

ar.L1.D.value 0.6344 0.087 7.317 0.000 0.464 0.804

ma.L1.D.value 0.5297 0.089 5.932 0.000 0.355 0.705

Roots

=============================================================================

Real Imaginary Modulus Frequency

-----------------------------------------------------------------------------

AR.1 1.5764 +0.0000j 1.5764 0.0000

MA.1 -1.8879 +0.0000j 1.8879 0.5000

-----------------------------------------------------------------------------

AIC模型已減少，這很好。AR1和MA1項的P值已提高并且非常顯著（ 0.05）。

讓我們繪制殘差 。

殘差密度

殘差似乎很好，均值接近零且方差均勻。讓我們使用繪制實際值和擬合值 。

實際vs擬合

設(shè)置 dynamic=False 樣本內(nèi)時，滯后值用于預(yù)測。

也就是說，模型被訓(xùn)練到上一個值進行下一個預(yù)測。

因此，我們似乎有一個不錯的ARIMA模型。但是那是最好的嗎？

目前不能這么說，因為我們還沒有真正預(yù)測未來數(shù)據(jù)，而是將預(yù)測與實際數(shù)據(jù)進行了比較。

因此， 現(xiàn)在需要交叉驗證。

如何使用交叉驗證手動找到最佳ARIMA模型

在“交叉驗證”中，可以預(yù)測將來的數(shù)據(jù)。然后，您將預(yù)測值與實際值進行比較。

要進行交叉驗證，您需要創(chuàng)建訓(xùn)練和測試數(shù)據(jù)集，方法是將時間序列按大約75:25的比例或基于序列時間頻率的合理比例分成兩個連續(xù)的部分。

為什么不隨機采樣訓(xùn)練數(shù)據(jù)？

這是因為時間序列的序列應(yīng)完整無缺，以便用于預(yù)測。

現(xiàn)在，您可以在訓(xùn)練數(shù)據(jù)集上構(gòu)建ARIMA模型，對其進行預(yù)測和繪制。

# 繪圖

plt.figure(figsize=(12,5), dpi=100)

plt.plot(train, label='training')

plt.plot(test, label='actual')

plt.plot(fc_series, label='forecast')

plt.fill_between(lower_series.index, lower_series, upper_series,

color='k', alpha=.15)

plt.title('Forecast vs Actuals')

plt.legend(loc='upper left', fontsize=8)

plt.show()

預(yù)測與實際

從圖表中，ARIMA（1,1,1）模型似乎給出了方向正確的預(yù)測。實際觀察值在95％置信區(qū)間內(nèi)。

但是每個預(yù)測的預(yù)測始終低于實際。這意味著，通過在我們的預(yù)測中添加一個小的常數(shù)，精度一定會提高。因此，肯定有改進的余地。

所以，我要做的是將差分的階數(shù)增加到2，即進行設(shè)置， d=2 然后將p迭代地增加到5，然后將q增加到5，以查看哪個模型給出的AIC最小，同時還要尋找一個給出更接近實際情況和預(yù)測。

在執(zhí)行此操作時，我會關(guān)注模型摘要中AR和MA項的P值。它們應(yīng)盡可能接近零，理想情況下應(yīng)小于0.05。

ARIMA Model Results

==============================================================================

Dep. Variable: D2.value No. Observations: 83

Model: ARIMA(3, 2, 1) Log Likelihood -214.248

Method: css-mle S.D. of innovations 3.153

Date: Sat, 09 Feb 2019 AIC 440.497

Time: 12:49:01 BIC 455.010

Sample: 2 HQIC 446.327

==================================================================================

coef std err z P|z| [0.025 0.975]

----------------------------------------------------------------------------------

const 0.0483 0.084 0.577 0.565 -0.116 0.212

ar.L1.D2.value 1.1386 0.109 10.399 0.000 0.924 1.353

ar.L2.D2.value -0.5923 0.155 -3.827 0.000 -0.896 -0.289

ar.L3.D2.value 0.3079 0.111 2.778 0.007 0.091 0.525

ma.L1.D2.value -1.0000 0.035 -28.799 0.000 -1.068 -0.932

Roots

=============================================================================

Real Imaginary Modulus Frequency

-----------------------------------------------------------------------------

AR.1 1.1557 -0.0000j 1.1557 -0.0000

AR.2 0.3839 -1.6318j 1.6763 -0.2132

AR.3 0.3839 +1.6318j 1.6763 0.2132

MA.1 1.0000 +0.0000j 1.0000 0.0000

-----------------------------------------------------------------------------

修訂后的預(yù)測與實際值

AIC已從515減少到440。X項的P值小于0.05，這很好。

所以總的來說要好得多。

理想情況下，應(yīng)該返回多個時間點，例如返回1、2、3和4個季度，并查看一年中各個時間點的預(yù)測效果如何。

時間序列預(yù)測的準確性指標

用來判斷預(yù)測的常用準確性指標是：

通常，如果要比較兩個不同序列的預(yù)測，則可以使用MAPE，Correlation和Min-Max Error。

為什么不使用其他指標？

因為只有上述三個是百分比誤差，所以誤差在0到1之間變化。因此，無論序列的規(guī)模如何，您都可以判斷預(yù)測的質(zhì)量如何。

其他誤差度量是數(shù)量。這意味著，平均值為1000的序列的RMSE為100，平均值為10的序列的RMSE為5。因此，不能真正使用它們來比較兩個不同比例時間序列的預(yù)測。

forecast_accuracy(fc, test.values)

# {'mape': 0.02250131357314834,

# 'me': 3.230783108990054,

# 'mae': 4.548322194530069,

# 'mpe': 0.016421001932706705,

# 'rmse': 6.373238534601827,

# 'acf1': 0.5105506325288692,

# 'corr': 0.9674576513924394,

# 'minmax': 0.02163154777672227}

大約2.2％的MAPE表示該模型在預(yù)測接下來的15個觀測值時的準確性約為97.8％。

但是在工業(yè)應(yīng)用情況下，將給您提供很多時間序列來進行預(yù)測，并且定期重復(fù)進行預(yù)測。

因此，我們需要一種使最佳模型選擇過程自動化的方法。

如何在Python中進行自動Arima預(yù)測

使用逐步方法來搜索p，d，q參數(shù)的多個組合，并選擇具有最小AIC的最佳模型。

print(model.summary())

# Fit ARIMA: order=(1, 2, 1); AIC=525.586, BIC=535.926, Fit time=0.060 seconds

# Fit ARIMA: order=(0, 2, 0); AIC=533.474, BIC=538.644, Fit time=0.005 seconds

# Fit ARIMA: order=(1, 2, 0); AIC=532.437, BIC=540.192, Fit time=0.035 seconds

# Fit ARIMA: order=(0, 2, 1); AIC=525.893, BIC=533.648, Fit time=0.040 seconds

# Fit ARIMA: order=(2, 2, 1); AIC=515.248, BIC=528.173, Fit time=0.105 seconds

# Fit ARIMA: order=(2, 2, 0); AIC=513.459, BIC=523.798, Fit time=0.063 seconds

# Fit ARIMA: order=(3, 2, 1); AIC=512.552, BIC=528.062, Fit time=0.272 seconds

# Fit ARIMA: order=(3, 2, 0); AIC=515.284, BIC=528.209, Fit time=0.042 seconds

# Fit ARIMA: order=(3, 2, 2); AIC=514.514, BIC=532.609, Fit time=0.234 seconds

# Total fit time: 0.865 seconds

# ARIMA Model Results

# ==============================================================================

# Dep. Variable: D2.y No. Observations: 98

# Model: ARIMA(3, 2, 1) Log Likelihood -250.276

# Method: css-mle S.D. of innovations 3.069

# Date: Sat, 09 Feb 2019 AIC 512.552

# Time: 12:57:22 BIC 528.062

# Sample: 2 HQIC 518.825

#

# ==============================================================================

# coef std err z P|z| [0.025 0.975]

# ------------------------------------------------------------------------------

# const 0.0234 0.058 0.404 0.687 -0.090 0.137

# ar.L1.D2.y 1.1586 0.097 11.965 0.000 0.969 1.348

# ar.L2.D2.y -0.6640 0.136 -4.890 0.000 -0.930 -0.398

# ar.L3.D2.y 0.3453 0.096 3.588 0.001 0.157 0.534

# ma.L1.D2.y -1.0000 0.028 -36.302 0.000 -1.054 -0.946

# Roots

# =============================================================================

# Real Imaginary Modulus Frequency

# -----------------------------------------------------------------------------

# AR.1 1.1703 -0.0000j 1.1703 -0.0000

# AR.2 0.3763 -1.5274j 1.5731 -0.2116

# AR.3 0.3763 +1.5274j 1.5731 0.2116

# MA.1 1.0000 +0.0000j 1.0000 0.0000

# -----------------------------------------------------------------------------

如何解釋ARIMA模型中的殘差圖

讓我們查看殘差圖。

殘差圖

那么如何解釋？

左上方： 殘余誤差似乎在零均值附近波動，并且具有均勻的方差。

右上方： 密度圖建議均值為零的正態(tài)分布。

左下： 所有圓點應(yīng)與紅線完全一致。任何明顯的偏差都意味著分布偏斜。

右下： Correlogram（又名ACF）圖顯示殘差誤差不是自相關(guān)的。任何自相關(guān)都將暗示殘差中存在某種模式，該模式未在模型中進行解釋。因此，您將需要為模型尋找更多的X（預(yù)測變量）。

總體而言，模型很合適。讓我們預(yù)測一下。

如何在python中自動構(gòu)建SARIMA模型

普通ARIMA模型的問題在于它不支持季節(jié)性。

如果您的時間序列定義了季節(jié)性，那么，請使用季節(jié)性差分的SARIMA。

季節(jié)性差分與常規(guī)差分相似，但是您可以從上一季節(jié)中減去該值，而不是減去連續(xù)項。

因此，該模型將表示為SARIMA（p，d，q）x（P，D，Q），其中P，D和Q分別是SAR，季節(jié)性差分的階數(shù)和SMA項，并且 'x' 是時間的頻率序列。

如果您的模型具有明確定義的季節(jié)性模式，則對給定的頻率“ x”強制執(zhí)行D = 1。

這是有關(guān)構(gòu)建SARIMA模型的一些實用建議：

通常，將模型參數(shù)設(shè)置為D不得超過1。并且總的分'd + D'不超過2。如果模型具有季節(jié)性成分，請嘗試僅保留SAR或SMA項。

我們在藥物銷售數(shù)據(jù)集上建立一個SARIMA模型 。

季節(jié)性差分

在應(yīng)用通常的差分（滯后1）之后，季節(jié)性峰值是完整的。鑒于此，應(yīng)在季節(jié)性差分后進行糾正。

讓我們建立使用SARIMA模型。為此，您需要設(shè)置 seasonal=True，設(shè)置m=12 按月序列的頻率 并強制執(zhí)行 D=1。

Fit ARIMA: order=(1, 0, 1) seasonal_order=(0, 1, 1, 12); AIC=534.818, BIC=551.105, Fit time=1.742 seconds

Fit ARIMA: order=(0, 0, 0) seasonal_order=(0, 1, 0, 12); AIC=624.061, BIC=630.576, Fit time=0.028 seconds

Fit ARIMA: order=(1, 0, 0) seasonal_order=(1, 1, 0, 12); AIC=596.004, BIC=609.034, Fit time=0.683 seconds

Fit ARIMA: order=(0, 0, 1) seasonal_order=(0, 1, 1, 12); AIC=611.475, BIC=624.505, Fit time=0.709 seconds

Fit ARIMA: order=(1, 0, 1) seasonal_order=(1, 1, 1, 12); AIC=557.501, BIC=577.046, Fit time=3.687 seconds

(...TRUNCATED...)

Fit ARIMA: order=(3, 0, 0) seasonal_order=(1, 1, 1, 12); AIC=554.570, BIC=577.372, Fit time=2.431 seconds

Fit ARIMA: order=(3, 0, 0) seasonal_order=(0, 1, 0, 12); AIC=554.094, BIC=570.381, Fit time=0.220 seconds

Fit ARIMA: order=(3, 0, 0) seasonal_order=(0, 1, 2, 12); AIC=529.502, BIC=552.305, Fit time=2.120 seconds

Fit ARIMA: order=(3, 0, 0) seasonal_order=(1, 1, 2, 12); AIC=nan, BIC=nan, Fit time=nan seconds

Total fit time: 31.613 seconds

該模型估計了AIC，系數(shù)的P值看起來很重要。讓我們看一下殘差的診斷圖。

最佳模型 SARIMAX(3, 0, 0)x(0, 1, 1, 12) 的AIC為528.6，P值很重要。

讓我們預(yù)測未來的24個月。

SARIMA –最終預(yù)測

如何用外生變量建立SARIMAX模型

我們構(gòu)建的SARIMA模型很好。

但是為了完整起見，讓我們嘗試將外部預(yù)測變量（也稱為“外生變量”）加到模型中。該模型稱為SARIMAX模型。

使用外生變量的唯一要求是您還需要在預(yù)測期內(nèi)知道變量的值。

為了演示，我將對最近36個月的數(shù)據(jù)使用經(jīng)典季節(jié)性分解中的季節(jié)性指數(shù) 。

為什么要季節(jié)性指數(shù)？SARIMA是否已經(jīng)在模擬季節(jié)性？

你是對的。

而且，我想看看如果我們將最近的季節(jié)性模式強加到訓(xùn)練和預(yù)測中，模型將如何顯示。

其次，這是一個很好的演示目的變量。因此，你可以將其用作模板，并將任何變量插入代碼中。季節(jié)性指數(shù)是一個很好的外生變量，因為它每個頻率周期都會重復(fù)一次，在這種情況下為12個月。

因此，你將始終知道季節(jié)性指數(shù)將對未來的預(yù)測保持何種價值。

讓我們計算季節(jié)性指數(shù)，以便可以將其作為SARIMAX模型的（外部）預(yù)測變量。

外生變量（季節(jié)指數(shù)）已準備就緒。讓我們構(gòu)建SARIMAX模型。

Fit ARIMA: order=(1, 0, 1) seasonal_order=(0, 1, 1, 12); AIC=536.818, BIC=556.362, Fit time=2.083 seconds

Fit ARIMA: order=(0, 0, 0) seasonal_order=(0, 1, 0, 12); AIC=626.061, BIC=635.834, Fit time=0.033 seconds

Fit ARIMA: order=(1, 0, 0) seasonal_order=(1, 1, 0, 12); AIC=598.004, BIC=614.292, Fit time=0.682 seconds

Fit ARIMA: order=(0, 0, 1) seasonal_order=(0, 1, 1, 12); AIC=613.475, BIC=629.762, Fit time=0.510 seconds

Fit ARIMA: order=(1, 0, 1) seasonal_order=(1, 1, 1, 12); AIC=559.530, BIC=582.332, Fit time=3.129 seconds

(...Truncated...)

Fit ARIMA: order=(3, 0, 0) seasonal_order=(0, 1, 0, 12); AIC=556.094, BIC=575.639, Fit time=0.260 seconds

Fit ARIMA: order=(3, 0, 0) seasonal_order=(0, 1, 2, 12); AIC=531.502, BIC=557.562, Fit time=2.375 seconds

Fit ARIMA: order=(3, 0, 0) seasonal_order=(1, 1, 2, 12); AIC=nan, BIC=nan, Fit time=nan seconds

Total fit time: 30.781 seconds

因此，我們擁有帶有外生項的模型。但是該系數(shù)對于 x1來說很小 ，因此該變量的貢獻可以忽略不計。讓我們繼續(xù)預(yù)測吧。

我們已有效地將模型中最近3年的最新季節(jié)性影響強加給模型。

讓我們預(yù)測下一個24個月。為此，你需要接下來24個月的季節(jié)性指數(shù)值。

SARIMAX預(yù)測

點擊文末 “閱讀原文”

獲取全文完整資料。

本文選自《Python中的ARIMA模型、SARIMA模型和SARIMAX模型對時間序列預(yù)測》。

點擊標題查閱往期內(nèi)容

Python用RNN神經(jīng)網(wǎng)絡(luò)：LSTM、GRU、回歸和ARIMA對COVID19新冠疫情人數(shù)時間序列預(yù)測

數(shù)據(jù)分享|PYTHON用ARIMA ，ARIMAX預(yù)測商店商品銷售需求時間序列數(shù)據(jù)

Python用RNN神經(jīng)網(wǎng)絡(luò)：LSTM、GRU、回歸和ARIMA對COVID19新冠疫情人數(shù)時間序列預(yù)測

【視頻】Python用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)對不穩(wěn)定降雨量時間序列進行預(yù)測分析|數(shù)據(jù)分享

深度學(xué)習(xí)實現(xiàn)自編碼器Autoencoder神經(jīng)網(wǎng)絡(luò)異常檢測心電圖ECG時間序列spss modeler用決策樹神經(jīng)網(wǎng)絡(luò)預(yù)測ST的股票

Python中TensorFlow的長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、指數(shù)移動平均法預(yù)測股票市場和可視化

RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長短期記憶網(wǎng)絡(luò)實現(xiàn)時間序列長期利率預(yù)測

結(jié)合新冠疫情COVID-19股票價格預(yù)測：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時間序列分析

深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進行簡單文本分類分析新聞組數(shù)據(jù)

用PyTorch機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測銀行客戶流失模型

PYTHON用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法預(yù)測時間序列洗發(fā)水銷售數(shù)據(jù)

Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測、準確度檢查和結(jié)果可視化

R語言深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò) (CNN)對 CIFAR 圖像進行分類：訓(xùn)練與結(jié)果評估可視化

深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進行簡單文本分類分析新聞組數(shù)據(jù)

Python用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)對不穩(wěn)定降雨量時間序列進行預(yù)測分析

R語言深度學(xué)習(xí)Keras循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型預(yù)測多輸出變量時間序列

R語言KERAS用RNN、雙向RNNS遞歸神經(jīng)網(wǎng)絡(luò)、LSTM分析預(yù)測溫度時間序列、 IMDB電影評分情感

Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測、準確度檢查和結(jié)果可視化

Python用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)對不穩(wěn)定降雨量時間序列進行預(yù)測分析

R語言中的神經(jīng)網(wǎng)絡(luò)預(yù)測時間序列：多層感知器（MLP）和極限學(xué)習(xí)機（ELM）數(shù)據(jù)分析報告

R語言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測時間序列數(shù)據(jù)

Matlab用深度學(xué)習(xí)長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對文本數(shù)據(jù)進行分類

R語言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類識別手寫數(shù)字圖像數(shù)據(jù)（MNIST）

MATLAB中用BP神經(jīng)網(wǎng)絡(luò)預(yù)測人體脂肪百分比數(shù)據(jù)

Python中用PyTorch機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測銀行客戶流失模型

R語言實現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進行回歸數(shù)據(jù)分析

SAS使用鳶尾花(iris)數(shù)據(jù)集訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN)模型

【視頻】R語言實現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進行回歸數(shù)據(jù)分析

Python使用神經(jīng)網(wǎng)絡(luò)進行簡單文本分類

R語言用神經(jīng)網(wǎng)絡(luò)改進Nelson-Siegel模型擬合收益率曲線分析

R語言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時間序列預(yù)測

R語言神經(jīng)網(wǎng)絡(luò)模型預(yù)測車輛數(shù)量時間序列

R語言中的BP神經(jīng)網(wǎng)絡(luò)模型分析學(xué)生成績

matlab使用長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對序列數(shù)據(jù)進行分類

R語言實現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測和結(jié)果可視化

用R語言實現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測股票實例

使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進行時間序列預(yù)測

python用于NLP的seq2seq模型實例:用Keras實現(xiàn)神經(jīng)網(wǎng)絡(luò)機器翻譯

用于NLP的Python：使用Keras的多標簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類