- 在线时间
- 480 小时
- 最后登录
- 2026-6-1
- 注册时间
- 2023-7-11
- 听众数
- 4
- 收听数
- 0
- 能力
- 0 分
- 体力
- 7823 点
- 威望
- 0 点
- 阅读权限
- 255
- 积分
- 2934
- 相册
- 0
- 日志
- 0
- 记录
- 0
- 帖子
- 1174
- 主题
- 1189
- 精华
- 0
- 分享
- 0
- 好友
- 1
该用户从未签到
 |
ARIMA(Autoregressive Integrated Moving Average)模型是一种常用的时间序列分析方法,用于对时间序列数据建模和预测。它通过结合自回归(AR)和滑动平均(MA)模型的特性,并对序列进行差分(Integration,即I)来建立模型。
5 k2 e# x2 W- X: }3 I8 l4 FARIMA模型的三个主要参数是p、d和q,分别对应于自回归、差分和滑动平均的阶数。: @2 D2 ~; j! S
3 j$ {3 G% x# g1.自回归(AR):自回归部分使用先前时间点的观测值来预测当前值。p参数表示自回归的阶数,即使用多少个先前时间点的值作为预测输入。4 U& m3 g9 l7 w$ W
2.差分(I):差分是对时间序列进行一阶或多阶的差分操作,可以消除序列的非平稳性。d参数表示差分的阶数,默认为1阶差分。
9 o# |% |. n$ e0 j6 u3.滑动平均(MA):滑动平均部分使用先前的误差值来预测当前值。q参数表示滑动平均的阶数,即使用多少个先前的误差值作为预测输入。
8 r& ?+ z4 F6 D" E( N( Z. |" a, W2 ^$ N
ARIMA模型的一般表示形式为ARIMA(p, d, q),其中p、d和q是非负整数。它可以很好地处理具有线性趋势和季节性的时间序列数据。
. p, `5 d8 _1 }) n% d( b0 @' ?1 ]7 {ARIMA模型的建立包括以下步骤:
3 i" _9 Q# w0 u8 h R2 q2 e3 e7 r* U% ]% z+ t- n) E- g
4.确定时间序列数据的平稳性,如平稳性检验、观察序列的趋势和季节性等。. O+ e" i" t m
5.如果时间序列不平稳,进行差分操作以实现平稳性。
+ o, `# Y) P; @: D6.通过观察ACF和PACF图来确定p和q的合适取值范围。
4 E! o9 l6 x5 I7.根据AIC等准则,以不同的p、d、q值建立多个ARIMA模型。
0 j* H" o& [$ j# E8.对每个模型进行参数估计和模型拟合。
7 c0 r- P3 ]/ v# E* i! b9.使用拟合的模型进行预测,并对模型的拟合效果进行评估。
3 h( j+ M! Y1 r6 I
' I+ N. _! u1 p& x( U8 kARIMA模型是时间序列分析领域中常用的模型之一,它可以用于预测未来趋势、季节性和周期性等时间序列数据的变化。在实际应用中,ARIMA模型可以被用于经济预测、股票市场分析、天气预测等各种领域。/ X8 B% S w# \2 W, }& w
$ X w5 { Q. C; [# 导入所需的库
- b! |! _, D; K' p! qimport numpy as np
4 n/ X- s1 [5 P, X! himport pandas as pd
" V, |- u ^: i& `import statsmodels.api as sm# h, q( s: A, y
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
# J% o! \3 j3 y" R, W3 q! qimport matplotlib.pyplot as plt# b4 ], o# }! Q5 J$ J- S
& }, _( {% u" U9 q+ Y& |这些是导入需要使用的库,包括NumPy、Pandas、statsmodels和matplotlib。; s6 f7 X7 m) h# @2 B
# 源数据$ w4 S5 K t* c* v7 T' ?
df = pd.DataFrame({- E6 y2 v& M* T/ C4 q/ k
'year': [i for i in range(1971, 1991)],' ~0 Z! w7 C% @8 ~8 I5 e
'num': [66.6, 68.9, 38, 34.5, 15.5,% l6 C! z9 t6 `& }0 c# J
12.6, 27.5, 92.5, 155.4, 154.6,; K( z d: F! v2 _' ], e& F
140.4, 115.9, 66.6, 45.9, 17.9,6 J4 y. W) S; h% A( Y* }) W! e
3.4, 29.4, 100.2, 157.6, 142.6],
* _, Z9 G5 f* o7 N; ^. P$ D})7 {2 L% ]9 A* f
. M/ I" \3 x. E" {* u4 ], r这里创建了一个DataFrame df,包含年份和对应的数据值。这个数据将用于建立ARIMA模型。
; B+ _. s$ \% s. c& _! |! f' M( F# 画 acf 图
, D/ h4 [* V. f7 f' d8 P5 x G4 wplot_acf(df['num'])/ j* N P' P4 i& ?# ]
8 q! @$ N4 C: A7 ^# G: t这段代码用于画出序列的自相关函数(ACF)图。ACF图可以帮助我们分析时间序列数据的自相关性。
5 }1 i$ A( {7 i# 画 pacf 图
6 Q% B7 \2 l. K! F- B) H8 V2 i0 X, Bplot_pacf(df['num'], lags=9)
( y, I0 \( H) L
* K( M4 ~: b; `5 D" u这段代码用于画出序列的偏自相关函数(PACF)图。PACF图可以帮助我们分析时间序列数据的偏自相关性。
1 K4 c$ c! h" }# 建立模型,参考 acf、pacf 代入 p、q,观察 aic
8 K/ ^2 v3 R+ r$ rstr_list = []
H8 ^/ u7 L {( N# J9 v& U4 ~for p in range(1, 6): `- M( d/ e5 X( P$ G r/ _8 z
for q in range(1, 3):) R) |) ]4 h \( X- X" r
model = sm.tsa.ARMA(df['num'], (p, q)).fit()( K+ A# r: y8 x7 x& B; m( K
str_list.append('p = {}, q = {}, aic = {}'.format(p, q, model.aic))( F* g% @7 Y& L" T
for each in str_list:& M8 ]' \5 G- B5 r. a0 Q+ d
print(each)1 ~( U0 w) [; K/ @/ F' s$ G
8 @9 i9 z- \9 T+ O
这段代码用于建立ARIMA模型并观察模型的AIC(赤池信息准则)值。通过对不同(p, q)值的组合进行模型拟合,并输出对应的AIC值,以便选择最优的(p, q)值。; U8 l& @6 {4 `, n1 o
# 发现 p=2,q=2 时 aic 最小,取 p=2,q=2
& j6 z. i. P( N4 Q# e; Jmodel = sm.tsa.ARMA(df['num'], (2, 2)).fit()
! y9 j2 S# T% W2 y9 Jmodel.summary(); R7 Q6 D/ q5 L8 |) i
# T$ Y5 Q* E& }- J) P5 J
根据观察AIC值的结果,选择最优(p, q)值为(2, 2),然后建立ARIMA模型并进行拟合。2 ]. ~3 B$ l6 h3 ^% J. I: z% [* J
# 预测和画图
) E0 e0 o- b, K7 @3 `0 Z8 fplt.plot(df['year'], df['num'])
6 A$ s5 L( D0 E7 lplt.scatter(df['year'], df['num'], label='actual')8 ^' a/ N; _$ Q! h$ I" h0 e7 Q" u: M
year_list = [i for i in range(1971, 2001)]& }8 p8 m4 z5 D* _
plt.plot(year_list, model.predict(0, len(year_list)-1))) V: _3 q! I( u. z& c+ _# I
plt.scatter(year_list, model.predict(0, len(year_list)-1), label='predict'), a/ C( {$ F1 |
plt.legend()2 Y U- a9 L7 j& F8 Z
# f9 C9 k# x6 H4 l
这段代码用于使用拟合的模型进行预测,并绘制实际值和预测值的图表。首先画出实际值的曲线,然后画出预测值的曲线,并将预测值的点标记在图上。5 q( N% a% a! f/ _" U$ ?1 T5 t
希望以上解释对你有帮助。如果你还有任何问题,请随时提问。2 h0 C- \& h) [2 C9 E; k
" q4 {. C& a1 h6 I- X' s
) n+ q0 r7 ]# d Z* q+ x. E* d0 `
|
zan
|