ARIMA 新手，尝试使用自动 ARIMA 在 Python 中对数据集进行建模。 我正在使用 auto-ARIMA，因为我相信它会更好地定义 p、d 和 q 的值，但结果很差，我需要一些指导。 请参阅下面我的可重复尝试
尝试如下：
# DEPENDENCIES
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import pmdarima as pm
from pmdarima.model_selection import train_test_split
from statsmodels.tsa.stattools import adfuller
from pmdarima.arima import ADFTest
from pmdarima import auto_arima
from sklearn.metrics import r2_score
# CREATE DATA
data_plot = pd.DataFrame(data removed)
# SET INDEX
data_plot['date_index'] = pd.to_datetime(data_plot['date']
data_plot.set_index('date_index', inplace=True)
# CREATE ARIMA DATASET
arima_data = data_plot[['value']]
arima_data
# PLOT DATA
arima_data['value'].plot(figsize=(7,4))
The above steps result in a dataset that should look like this.
# Dicky Fuller test for stationarity
adf_test = ADFTest(alpha = 0.05)
adf_test.should_diff(arima_data)
结果 = 0.9867 表示非平稳数据，应在自动 arima 过程中稍后通过适当的差分处理来处理。
# Assign training and test subsets - 80:20 split
print('Dataset dimensions;', arima_data.shape)
train_data = arima_data[:-24]
test_data = arima_data[-24:]
print('Training data dimension:', train_data.shape, round((len(train_data)/len(arima_data)*100),2),'% of dataset')
print('Test data dimension:', test_data.shape, round((len(train_data)/len(arima_data)*100),2),'% of dataset')
# Plot training & test data
plt.plot(train_data)
plt.plot(test_data)
# Run auto arima
arima_model = auto_arima(train_data, start_p=0, d=1, start_q=0,
max_p=5, max_d=5, max_q=5,
start_P=0, D=1, start_Q=0, max_P=5, max_D=5,
max_Q=5, m=12, seasonal=True,
stationary=False,
error_action='warn', trace=True,
suppress_warnings=True, stepwise=True,
random_state=20, n_fits=50)
print(arima_model.aic())
输出表明最佳模型是'ARIMA(1,1,1)(0,1,0)[12]'与 AIC 1725.35484
#Store predicted values and view resultant df
prediction = pd.DataFrame(arima_model.predict(n_periods=25), index=test_data.index)
prediction.columns = ['predicted_value']
prediction
# Plot prediction against test and training trends
plt.figure(figsize=(7,4))
plt.plot(train_data, label="Training")
plt.plot(test_data, label="Test")
plt.plot(prediction, label="Predicted")
plt.legend(loc='upper right')
plt.show()
# Finding r2 model score
test_data['predicted_value'] = prediction
r2_score(test_data['value'], test_data['predicted_value'])
结果：-6.985
ARIMA 的假设需要在应用于数据之前进行检查。其中之一是数据需要稳定，即它不应该具有趋势或季节性。您可以通过绘图来检查趋势，该趋势在图表中可见，然后呈上升趋势。
1.您也可以从图表中得出季节性或使用迪克富勒检验来检查假设。
import statsmodels.tsa.stattools as ts
ts.adfuller(data.col)
检查这个答案，如何执行和阅读广告完整测试已经得到很好的解释。如何解读 adfuller 测试结果？ https://stackoverflow.com/questions/47349422/how-to-interpret-adfuller-test-results
正如 Jose 所解释的，可以通过差分来使数据平稳化。
SARIMA 算法考虑季节性成分 (p,d,q) 和 (S,P',D',Q') 以及外生变量。