Automatiseren en opslaan

ARIMA-modellen in Python

James Fulton

Climate informatics researcher

Zoeken naar modelorders

import pmdarima as pm

results = pm.auto_arima(df)

Stapsgewijze zoekopdracht om aic te minimaliseren
 ARIMA(2,0,2)(1,1,1)[12] intercept   : AIC=inf, Tijd=3.33 sec
 ARIMA(0,0,0)(0,1,0)[12] intercept   : AIC=2648.467, Tijd=0.062 sec
 ARIMA(1,0,0)(1,1,0)[12] intercept   : AIC=2279.986, Tijd=1.171 sec

 ...

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

Beste model:  ARIMA(3,0,3)(1,1,1)[12]
Totale fittijd: 245.812 seconden

pmdarima-resultaten

print(results.summary())

results.plot_diagnostics()

Niet-seizoensgebonden zoekparameters

results = pm.auto_arima( df,             # data

                         d=0,            # orde van niet-seizoensverschil

                         start_p=1,      # startwaarde voor p
                         start_q=1,      # startwaarde voor q

                         max_p=3,        # max. waarde van p om te testen
                         max_q=3,        # max. waarde van q om te testen
                        )

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

Seizoensparameters voor zoekopdracht

results = pm.auto_arima( df,             # data
                         ... ,          # niet-seizoensgebonden argumenten 
                         seasonal=True,  # is de tijdreeks seizoensgebonden?

                         m=7,            # de seizoensperiode

                         D=1,            # orde van seizoensverschil

                         start_P=1,      # startwaarde voor P
                         start_Q=1,      # startwaarde voor Q

                         max_P=2,        # max. waarde van P om te testen
                         max_Q=2,        # max. waarde van Q om te testen
                        )

Overige parameters

results = pm.auto_arima( df,                     # data    
                         ... ,                   # modelorde-parameters     

                         information_criterion='aic', # criterium voor beste model

                         trace=True,             # print resultaten tijdens training

                         error_action='ignore',  # negeer niet-werkende orders

                         stepwise=True,          # slimme zoekstrategie
                       )

Modelobjecten opslaan

# Importeren
import joblib

# Kies een bestandspad
filepath ='localpath/great_model.pkl'

# Model opslaan naar pad
joblib.dump(model_results_object, filepath)

Modelobjecten opslaan

# Kies een bestandspad
filepath ='localpath/great_model.pkl'

# Modelobject laden vanaf pad
model_results_object = joblib.load(filepath)

Model bijwerken

# Nieuwe observaties toevoegen en parameters bijwerken
model_results_object.update(df_new)

Vergelijking van updates

Laten we oefenen!

ARIMA-modellen in Python