python时间序列模式识别
Python时间序列处理之ARIMA模型的使用讲解arima模型
arima模型的全称是自回归移动平均模型，是用来预测时间序列的一种常用的统计模型，一般记作arima(p,d,q)。
arima的适应情况
arima模型相对来说比较简单易用。在应用arima模型时，要保证以下几点：
- 时间序列数据是相对稳定的，总体基本不存在一定的上升或者下降趋势，如果不稳定可以通过差分的方式来使其变稳定。
- 非线性关系处理不好，只能处理线性关系
判断时序数据稳定
基本判断方法：稳定的数据，总体上是没有上升和下降的趋势的，是没有周期性的，方差趋向于一个稳定的值。
arima数学表达
arima(p,d,q)，其中p是数据本身的滞后数，是ar模型即自回归模型中的参数。d是时间序列数据需要几次差分才能得到稳定的数据。q是预测误差的滞后数，是ma模型即滑动平均模型中的参数。
a) p参数与ar模型
ar模型描述的是当前值与历史值之间的关系，滞后p阶的ar模型可以表示为：
其中u是常数，et代表误差。
b) q参数与ma模型
ma模型描述的是当前值与自回归部分的误差累计的关系，滞后q阶的ma模型可以表示为：
其中u是常数，et代表误差。
c) d参数与差分
一阶差分：
二阶差分：
d) arima = ar+ma
arima模型使用步骤
- 获取时间序列数据
- 观测数据是否为平稳的，否则进行差分，化为平稳的时序数据,确定d
- 通过观察自相关系数acf与偏自相关系数pacf确定q和p
- 得到p，d，q后使用arima(p,d,q)进行训练预测
python调用arima
|
|
#差分处理diff_series = diff_series.diff(1)#一阶diff_series2 = diff_series.diff(1)#二阶#acf与pacf#从scipy导入包from scipy import statsimport statsmodels.api as sm#画出acf和pacfsm.graphics.tsa.plot_acf(diff_series)sm.graphics.tsa.plot_pacf(diff_series)#arima模型from statsmodels.tsa.arima_model import arimamodel = arima(train_data,order=(p,d,q),freq='')#freq是频率,根据数据填写arima = model.fit()#训练print(arima)pred = arima.predict(start='',end='')#预测 |
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对开心学习网的支持。如果你想了解更多相关内容请查看下面相关链接
原文链接：https://blog.csdn.net/qq_40707407/article/details/81917061