时序数据学习笔记（八）_季节性自回归移动平均模型

一、季节性自回归综合移动平均(SARIMA)模型

        季节性自回归综合移动平均(SARIMA)模型，是在ARIMA模型的基础上引入了周期循环识别的能力，同时保留了ARIMA不对数据平稳性要求的特点。

二、SARIMA模型学习

1、数据平稳性相关测试

        通过ADF可以发现原始数据不平稳。

df = pd.read_csv('jj.csv')
df_adf=adfuller(df['data'])
print(df_adf[0])#ADF Statistic
print(df_adf[1])#p-value

 ADF Statistic：2.7420165734574815

p-value：1.0

 2、数据差异化

        差异化后通过ADF发现数据仍不平稳

diff_df=np.diff(df['data'],n=1)
 
diff_df_adf=adfuller(diff_df)
print(diff_df_adf[0])#ADF Statistic
print(diff_df_adf[1])#p-value

ADF Statistic：-0.4074097636380416

p-value：0.9088542416911314

 3、查看数据情况

        通过查看数据情况可以发现，数据持续呈增长趋势，并且存在周期情况