Automação e salvamento

Modelos ARIMA em Python

James Fulton

Climate informatics researcher

Busca por ordens de modelo

import pmdarima as pm

results = pm.auto_arima(df)

Executando busca stepwise para minimizar aic
 ARIMA(2,0,2)(1,1,1)[12] intercept   : AIC=inf, Time=3.33 sec
 ARIMA(0,0,0)(0,1,0)[12] intercept   : AIC=2648.467, Time=0.062 sec
 ARIMA(1,0,0)(1,1,0)[12] intercept   : AIC=2279.986, Time=1.171 sec

 ...

 ARIMA(3,0,3)(1,1,1)[12] intercept   : AIC=2173.508, Time=12.487 sec
 ARIMA(3,0,3)(0,1,0)[12] intercept   : AIC=2297.305, Time=2.087 sec

Melhor modelo:  ARIMA(3,0,3)(1,1,1)[12]
Tempo total de ajuste: 245.812 seconds

Resultados do pmdarima

print(results.summary())

results.plot_diagnostics()

Parâmetros de busca não sazonais

results = pm.auto_arima( df,             # data

                         d=0,            # ordem de diferenciação não sazonal

                         start_p=1,      # chute inicial para p
                         start_q=1,      # chute inicial para q

                         max_p=3,        # valor máx. de p a testar
                         max_q=3,        # valor máx. de q a testar
                        )

¹ https://www.alkaline-ml.com/pmdarima/modules/generated/pmdarima.arima.auto_arima.html

Parâmetros de busca sazonais

results = pm.auto_arima( df,             # data
                         ... ,          # argumentos não sazonais 
                         seasonal=True,  # a série é sazonal?

                         m=7,            # período sazonal

                         D=1,            # ordem de diferença sazonal

                         start_P=1,      # chute inicial para P
                         start_Q=1,      # chute inicial para Q

                         max_P=2,        # valor máx. de P a testar
                         max_Q=2,        # valor máx. de Q a testar
                        )

Outros parâmetros

results = pm.auto_arima( df,                     # data    
                         ... ,                   # parâmetros de ordem do modelo     

                         information_criterion='aic', # critério para escolher o melhor modelo

                         trace=True,             # imprimir resultados durante o treino

                         error_action='ignore',  # ignorar ordens que falharem

                         stepwise=True,          # busca inteligente de ordens
                       )

Salvando objetos de modelo

# Importar
import joblib

# Selecionar um caminho
filepath ='localpath/great_model.pkl'

# Salvar o modelo no caminho
joblib.dump(model_results_object, filepath)

Salvando objetos de modelo

# Selecionar um caminho
filepath ='localpath/great_model.pkl'

# Carregar o objeto de modelo do caminho
model_results_object = joblib.load(filepath)

Atualizando o modelo

# Adicionar novas observações e atualizar parâmetros
model_results_object.update(df_new)

Comparação de atualização

Vamos praticar!

Modelos ARIMA em Python