时间序列ARIMA模型_sm.tsa.arima

说明：本篇博客内容根据B站视频 整理而成，感谢UP主。

AR公式定义：

MA公式定义：

ARMA公式定义：

部分关键步骤代码（仅供参考）：

import statsmodels.tsa.api as smt
smt.graphics.plot_acf(data, lags=lags, ax=ax1) # ACF自相关系数
smt.graphics.plot_pacf(data, lags=lags, ax=xa2) # 偏自相关系数
# 参数介绍参见
# https://www.statsmodels.org/dev/generated/statsmodels.graphics.tsaplots.plot_pacf.html
# https://www.statsmodels.org/dev/generated/statsmodels.graphics.tsaplots.plot_acf.html

# Fit the model
import statsmodels.api as sm
model = sm.tsa.SARIMAX(train_data, order=(p,d,q))
model_results =model.fit()

# Alternative model selection method, limited to only searching AR and MA parameters
train_results = sm.tsa.arma_order_select_ic(ts_train, ic=['aic', 'bic'], trend='nc', max_ar=4, max_ma=4)
print('AIC', train_results.aic_min_order)
print('BIC', train_results.bic_min_order)

#用模型进行预测
model = sm.tsa.ARIMA(train_data, order=(p, d, q),freq='W-MON')
result = model.fit()
pred = result.predict('xxxxxx', 'xxxxxx',dynamic=True, typ='levels')
# 此处注意，前面的xxxxxx必须能在训练集数据中能够找到，后边的xxxxxx则不用
print (pred)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24