当前位置:   article > 正文

时间序列模式(ARIMA)---Python实现_时序模式 python

时序模式 python

         时间序列分析的主要目的是根据已有的历史数据对未来进行预测。如餐饮销售预测可以看做是基于时间序列的短期数据预测, 预测的对象时具体菜品的销售量。

1.时间序列算法:

常见的时间序列模型;

2.时序模型的预处理

1. 对于纯随机序列,也称为白噪声序列,序列的各项之间没有任何的关系, 序列在进行完全无序的随机波动, 可以终止对该序列的分析。

2. 对于平稳非白噪声序列, 它的均值和方差是常数。ARMA 模型是最常用的平稳序列拟合模型。 

3. 对于非平稳序列, 由于它的方差和均值不稳定, 处理方法一般是将其转化成平稳序列。 可以使用ARIMA 模型进行分析。

对平稳性的检验:

1.时序图检验:根据平稳时间序列的均值和方差都是常数的特性,平稳序列的时序图显示该序列值时钟在一个参数附近随机波动,而且波动的范围是有界的。如果有明显的趋势或者周期性, 那它通常不是平稳序列。

2.自相关图检验:平稳序列具有短期相关性, 这个性质表明对平稳序列而言, 通常 只有近期的序列值得影响比较明显, 间隔越远的过去值对现在的值得影响越小。 而非平稳序列的自相关系数衰减的速度比较慢。

3.单位根检验:单位根检验是指检验序列中是否存在单位根, 如果存在单位根, 那就是非平稳时间序列。 目前最常用的方法就是单位根检验。

原假设是 非平稳序列过程, 备择假设是 平稳序列, 趋势平稳过程

上述参考:百度文库

3.时间序列分析:

•平稳性:

•平稳性要求经由样本时间序列所得到的拟合曲线,在未来一段时间内仍然沿着现有的形态‘惯性’地延续下去。

•平稳性要求序列的均值和方差不发生明显的变化。

•弱平稳:期望和相关系数(依赖性)不变,未来某个时刻t 的值,Xt 要依赖于它过去的信息。

•差分法:时间序列在 T 与 T-1 时刻的差值(使用差分使其满足平稳性),一般差分1,2 阶就可以了。

 

•AR(自回归模型):

•描述当前值与历史值之间的关系, 用变量自身的历史时间数据对自身进行预测。自回归模型必须满足平稳性的要求。

公式定义:

 

自回归模型的限制:

1.自回归模型是使用自身的数据进行预测的

2.必须具有平稳性

3.必须具有相关性,如果相关性小于 0.5 , 则不宜使用

4.自回归模型只适用于预测与自身前期相关的预测。

 

•MA(移动平均模型):

•移动平均模型关注的是自回归模型中的误差项的累加

•移动平均法能有效地消除预测中的随机波动。

 

•ARMA(自回归平均模型):

•自回归和移动平均的结合。

•ARIMA(p,d,q)差分自回归移动平均模型(Autoregressive Integrated Moving Average  Model ,简称ARIMA)

•AR 是自回归, p 是自回归项, MA 是移动平均, q 为移动平均项, d 为时间序列称为平稳时 所做的差分次数。

•原理: 将非平稳时间序列转换成平稳时间序列, 然后将因变量仅对它的滞后值(p阶)以及随机误差项的现值和滞后值进行回顾所建立的模型。

 

•ARIMA 建模流程:

•1.将序列平稳化(差分法确定 d)

•2.p 和 q 阶数的确定(ACF 和 PACF 确定)

•3.建立模型 ARIMA (p , d , q )

 

使用ARIMA 模型对某餐厅的销售数据进行预测

#使用ARIMA 模型对非平稳时间序列进行建模操作
#差分运算具有强大的确定性的信息提取能力, 许多非平稳的序列差分后显示出平稳序列的性质, 这是称这个非平稳序列为差分平稳序列。 
#对差分平稳序列可以还是要ARMA 模型进行拟合, ARIMA 模型的实质就是差分预算与 ARMA 模型的结合。 

  1. #coding=gbk
  2. #使用ARIMA 模型对非平稳时间序列记性建模操作
  3. #差分运算具有强大的确定性的信息提取能力, 许多非平稳的序列差分后显示出平稳序列的性质, 这是称这个非平稳序列为差分平稳序列。
  4. #对差分平稳序列可以还是要ARMA 模型进行拟合, ARIMA 模型的实质就是差分预算与 ARMA 模型的结合。
  5. #导入数据
  6. import pandas as pd
  7. filename = r'D:\datasets\arima_data.xls'
  8. data = pd.read_excel(filename, index_col = u'日期')
  9. #画出时序图
  10. import matplotlib.pyplot as plt
  11. plt.rcParams['font.sans-serif'] = ['SimHei'] #定义使其正常显示中文字体黑体
  12. plt.rcParams['axes.unicode_minus'] = False #用来正常显示表示负号
  13. # data.plot()
  14. # plt.show()

  1. #画出自相关性图
  2. from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
  3. # plot_acf(data)
  4. # plt.show()
  5. #平稳性检测
  6. from statsmodels.tsa.stattools import adfuller
  7. print('原始序列的检验结果为:',adfuller(data[u'销量']))
  8. #原始序列的检验结果为: (1.8137710150945268, 0.9983759421514264, 10, 26, {'1%': -3.7112123008648155,
  9. # '10%': -2.6300945562130176, '5%': -2.981246804733728}, 299.46989866024177)
  10. #返回值依次为:adf, pvalue p值, usedlag, nobs, critical values临界值 , icbest, regresults, resstore
  11. #adf 分别大于3中不同检验水平的3个临界值,单位检测统计量对应的p 值显著大于 0.05 , 说明序列可以判定为 非平稳序列

  1. #对数据进行差分后得到 自相关图和 偏相关图
  2. D_data = data.diff().dropna()
  3. D_data.columns = [u'销量差分']
  4. D_data.plot() #画出差分后的时序图
  5. # plt.show()
  6. plot_acf(D_data) #画出自相关图
  7. # plt.show()
  8. plot_pacf(D_data) #画出偏相关图
  9. # plt.show()
  10. print(u'差分序列的ADF 检验结果为: ', adfuller(D_data[u'销量差分'])) #平稳性检验
  11. #差分序列的ADF 检验结果为: (-3.1560562366723537, 0.022673435440048798, 0, 35, {'1%': -3.6327426647230316,
  12. # '10%': -2.6130173469387756, '5%': -2.9485102040816327}, 287.5909090780334)
  13. #一阶差分后的序列的时序图在均值附近比较平稳的波动, 自相关性有很强的短期相关性, 单位根检验 p值小于 0.05 ,所以说一阶差分后的序列是平稳序列

  1. #对一阶差分后的序列做白噪声检验
  2. from statsmodels.stats.diagnostic import acorr_ljungbox
  3. print(u'差分序列的白噪声检验结果:',acorr_ljungbox(D_data, lags= 1)) #返回统计量和 p 值
  4. # 差分序列的白噪声检验结果: (array([11.30402222]), array([0.00077339])) p值为第二项, 远小于 0.05
  5. #对模型进行定阶
  6. from statsmodels.tsa.arima_model import ARIMA
  7. pmax = int(len(D_data) / 10) #一般阶数不超过 length /10
  8. qmax = int(len(D_data) / 10)
  9. bic_matrix = []
  10. for p in range(pmax +1):
  11. temp= []
  12. for q in range(qmax+1):
  13. try:
  14. temp.append(ARIMA(data, (p, 1, q)).fit().bic)
  15. except:
  16. temp.append(None)
  17. bic_matrix.append(temp)
  18. bic_matrix = pd.DataFrame(bic_matrix) #将其转换成Dataframe 数据结构
  19. p,q = bic_matrix.stack().idxmin() #先使用stack 展平, 然后使用 idxmin 找出最小值的位置
  20. print(u'BIC 最小的p值 和 q 值:%s,%s' %(p,q)) # BIC 最小的p值 和 q 值:0,1
  21. #所以可以建立ARIMA 模型,ARIMA(0,1,1)
  22. model = ARIMA(data, (p,1,q)).fit()
  23. model.summary2() #生成一份模型报告
  24. model.forecast(5) #为未来5天进行预测, 返回预测结果, 标准误差, 和置信区间

利用模型向前预测的时期越长, 预测的误差就会越大,这是时间预测的典型特点。

 


项目推荐:

2000多G的计算机各行业电子资源分享(持续更新)

2020年微信小程序全栈项目之喵喵交友【附课件和源码】

Spring Boot开发小而美的个人博客【附课件和源码】

Java微服务实战296集大型视频-谷粒商城【附代码和课件】

Java开发微服务畅购商城实战【全357集大项目】-附代码和课件

最全最详细数据结构与算法视频-【附课件和源码】

在这里插入图片描述

 

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/代码探险家/article/detail/1004135
推荐阅读
相关标签
  

闽ICP备14008679号