python的arima預測

㈠ （四）ARIMA模型方法

1.ARIMA模型的基本思想

將預測對象隨時間推移而形成的數據序列視為一個隨機序列，對其進行差分整合後用自回歸加移動平均來擬合，並據其對時間序列的過去值及未來值進行預測的數學方法，即ARIMA模型的基本思想。

ARIMA模型一般表示為ARIMA（p，d，q），其數學表達式為

φ_p（B）（1-B）^dy_t=θ_q（B）ε_t， （7-9）

式中：φ_p（B）=1-φ₁B-…-φ_pB^p，θ_q（B）=1-θ₁B-…-θ_qB_q；

AR是自回歸，p為自回歸項，MA為移動平均，q為移動平均項數，d為差分次數；y_t是時間序列，B是後移運算元，φ₁，…，φ_p為自回歸系數，θ₁，…，θ_q為移動回歸系數，｛ε_t｝ 是白雜訊序列。

2.ARIMA模型預測基本程序

（1）平穩性識別

以自相關函數和偏自相關函數圖等來判定數列是否為平穩型。

（2）對非平穩序列進行平穩化處理

存在增長或下降趨勢，需進行差分處理，直到處理後的數據的自相關函數值和偏相關函數值顯著地等於零。

（3）根據時間序列模型的識別規則建立相應模型

據序列的自相關和偏相關函數圖判定模型的類型及p與q的階數。

在自相關和偏相關函數圖上，函數在某一步之後為零，稱為截尾；不能在某一步之後為零，而是按指數衰減或正負相間遞減的形式，稱為拖尾。

由自相關函數和偏相關函數是截尾還是拖尾及其期次可進行模型判別，標准見表7-8。

表7-8 模型參數的ACF-PACF圖判別的標准

（4）假設檢驗，診斷殘差序列是否為白雜訊

用χ²檢驗檢測所估計模型的白雜訊殘差，其殘差應是一隨機序列，否則進行殘差分析，必要時需重新確定模型。

（5）預測分析

利用已通過檢驗的模型進行預測分析，得到x（t）在t+1期，即1期以後的預測值，記這個預測值為x（t+1），稱它為未來第1期的預測值。

㈡ ARIMA模型用python分析需要安裝什麼庫

需要安裝requests庫
1.requests庫
用一句話總結就是：每個Python程序員都應該有它，爬取數據必備！
2.scrapy
提取結構化數據而創建的一個爬蟲框架，是目前python社區最流行的爬蟲框架之一
3.wxPython
Python的一個GUI（圖形用戶界面）工具
4.BeautifulSoup
xml和html的解析庫對於新手非常有用
5.Pygame
哪個程序員不喜歡玩游戲和寫游戲？這個庫會讓你在開發2D游戲的時候如虎添翼
6.Pyglet
3D動畫和游戲開發引擎
7.NumPy
為Python提供了很多高級的數學方法
8.pandas
在數據操作和數據分析方面，Pandas絕無敵手。
9.Matplotlib
Matplotlib主要的作用,是用來生成繪圖,直方圖,功率譜,條形圖,錯誤圖,散點圖等,而Matplotlib是一個Python的2D繪圖庫,它以各種硬拷貝格式和跨平台的互動式環境生成出版質量級別的圖形。

㈢ Arima實戰：利用Python中pyramid-arima庫進行時間序列預測

ARMA, ARIMA, SARIMA assumptions:
▪ Time-series data is stationary.
▪ If nonstationary, remove trend, seasonality, apply differencing, and so on.
▪ Remember that stationary data has no trend, seasonality, constant mean, and
constant variance.
▪ Therefore, the past is assumed to represent what will happen in the future
in a probabilistic sense.

pyramid-arima 的安裝請見 https://pypi.org/project/pyramid-arima/
(我只在linux系統上成功安裝了，windows上沒有成功)

函數參數介紹請見 https://www.alkaline-ml.com/pmdarima/index.html

Github上的例子請見 https://github.com/tgsmith61591/pmdarima

pm.auto_arima可以自動搜索出arima模型中的(q, d, p)參數

參考 https://blog.csdn.net/HHXUN/article/details/79858672

利用 model.predict() 函數預測

或更優的，使用 model.update() 函數，不斷用新觀測到的 value 更新模型，以達到更長時間的預測。

2.4 模型評價

㈣ ARIMA模型

我看過的對ARMIA模型最簡單明了的文章：https://www.cnblogs.com/bradleon/p/6827109.html

1,什麼是 ARIMA模型

ARIMA模型的全稱叫做自回歸移動平均模型，全稱是(ARIMA, Autoregressive Integrated Moving Average Model)。也記作ARIMA(p,d,q)，是統計模型(statistic model)中最常見的一種用來進行時間序列 預測的模型。

1.1. ARIMA的優缺點

優點： 模型十分簡單，只需要內生變數而不需要藉助其他外生變數。(所謂內生變數指的應該是僅依賴於該數據本身，而不像回歸需要其他變數)

缺點：

1.要求時序數據是穩定的（stationary），或者是通過差分化(differencing)後是穩定的。

2.本質上只能捕捉線性關系，而不能捕捉非線性關系。

注意，採用ARIMA模型預測時序數據，必須是穩定的，如果不穩定的數據，是無法捕捉到規律的。比如股票數據用ARIMA無法預測的原因就是股票數據是非穩定的，常常受政策和新聞的影響而波動。

1.2. 判斷是時序數據是穩定的方法。

嚴謹的定義： 一個時間序列的隨機變數是穩定的，當且僅當它的所有統計特徵都是獨立於時間的（是關於時間的常量）。

判斷的方法：

穩定的數據是沒有趨勢(trend)，沒有周期性(seasonality)的; 即它的均值，在時間軸上擁有常量的振幅，並且它的方差，在時間軸上是趨於同一個穩定的值的。

可以使用Dickey-Fuller Test進行假設檢驗。

1.3 ARIMA的參數與數學形式

ARIMA模型有三個參數:p,d,q。

p--代表預測模型中採用的時序數據本身的滯後數(lags) ,也叫做AR/Auto-Regressive項

d--代表時序數據需要進行幾階差分化，才是穩定的，也叫Integrated項。

q--代表預測模型中採用的預測誤差的滯後數(lags)，也叫做MA/Moving Average項

4.ARIMA模型的幾個特例

1.ARIMA(0,1,0) = random walk:

當d=1，p和q為0時，叫做random walk，如圖所示，每一個時刻的位置，只與上一時刻的位置有關。

預測公式如下：Yˆt=μ+Yt−1

㈤ 如何使用ML預測Python中的時間序列數據

通過numpy轉換：

• import numpy as np

• series['maxsal']= series['maxsal'].astype(np.float64)

• series['minsal']= series['minsal'].astype(np.float64)

在調用ARIMA之前，加入上面兩行。

• model = ARIMA(series, order=(1,1,0))



某些情況下，也可以選擇直接執行下面這行代碼：

• series = series.astype(np.float64)

㈥ 如何用arima(0.1.1)(1.1.1)模型進行預測和模型檢驗r程序

arima模型全稱為差分自回歸移動平均模型:
arima模型是由博克思和詹金斯於70年代初提出的一著名時間序列預測方法，所以又稱為box-jenkins模型、博克思-詹金斯法。
arima（p，d，q）稱為差分自回歸移動平均模型，AR是自回歸,p為自回歸項;MA為移動平均，q為移動平均項數，d為時間序列成為平穩時所做的差分次數。
arima模型是指將非平穩時間序列轉化為平穩時間序列，然後將因變數僅對它的滯後值以及隨機誤差項的現值和滯後值進行回歸所建立的模型。
arima模型根據原序列是否平穩以及回歸中所含部分的不同，包括移動平均過程、自回歸過程、自回歸移動平均過程以及ARIMA過程。
arima模型將預測對象隨時間推移而形成的數據序列視為一個隨機序列，用一定的數學模型來近似描述這個序列。
這個模型一旦被識別後就可以從時間序列的過去值及現在值來預測未來值。
現代統計方法、計量經濟模型在某種程度上已經能夠幫助企業對未來進行預測。

㈦ python arima是哪個包

用forecast包中的auto.arima自動擬合Arima模型會顯示一串結果，最後一個結果就是 Best model: ARIMA(0,0,0)(0,1,0)[12] with drift，說明該結果是最好的擬合結果。結果說明一個AR(0),MA(0)和季節差分一次的Arima模型。

㈧ 如何利用python實現多元ARIMAX建模

可以在Python中將其實現為一個新的獨立函數，名為evaluate_arima_model（），它將時間序列數據集作為輸入，以及具有p，d和q參數的元組作為輸入。
數據集分為兩部分：初始訓練數據集為66％，測試數據集為剩餘的34％。

㈨ arima模型python 怎麼看平穩性

時間序列分析(一) 如何判斷序列是否平穩
序列平穩不平穩，一般採用兩種方法：
第一種：看圖法
圖是指時序圖，例如(eviews畫滴)：

分析：什麼樣的圖不平穩，先說下什麼是平穩，平穩就是圍繞著一個常數上下波動。
看看上面這個圖，很明顯的增長趨勢，不平穩。

第二種：自相關系數和偏相關系數
還以上面的序列為例：用eviews得到自相關和偏相關圖，Q統計量和伴隨概率。

分析：判斷平穩與否的話，用自相關圖和偏相關圖就可以了。
平穩的序列的自相關圖和偏相關圖不是拖尾就是截尾。截尾就是在某階之後，系數都為 0 ，怎麼理解呢，看上面偏相關的圖，當階數為 1 的時候，系數值還是很大， 0.914. 二階長的時候突然就變成了 0.050. 後面的值都很小，認為是趨於 0 ，這種狀況就是截尾。再就是拖尾，拖尾就是有一個衰減的趨勢，但是不都為 0 。
自相關圖既不是拖尾也不是截尾。以上的圖的自相關是一個三角對稱的形式，這種趨勢是單調趨勢的典型圖形。

下面是通過自相關的其他功能
如果自相關是拖尾，偏相關截尾，則用 AR 演算法
如果自相關截尾，偏相關拖尾，則用 MA 演算法
如果自相關和偏相關都是拖尾，則用 ARMA 演算法， ARIMA 是 ARMA 演算法的擴展版，用法類似 。
不平穩，怎麼辦？
答案是差分
還是上面那個序列，兩種方法都證明他是不靠譜的，不平穩的。確定不平穩後，依次進行1階、2階、3階...差分，直到平穩位置。先來個一階差分，上圖。

從圖上看，一階差分的效果不錯，看著是平穩的。