Otomatisasi dan penyimpanan

Model ARIMA di Python

James Fulton

Climate informatics researcher

Pencarian atas orde model

import pmdarima as pm

results = pm.auto_arima(df)

Performing stepwise search to minimize 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

Best model:  ARIMA(3,0,3)(1,1,1)[12]
Total fit time: 245.812 seconds

Hasil pmdarima

print(results.summary())

results.plot_diagnostics()

Parameter pencarian non-musiman

results = pm.auto_arima( df,             # data

                         d=0,            # orde diferensi non-musiman

                         start_p=1,      # tebakan awal p
                         start_q=1,      # tebakan awal q

                         max_p=3,        # nilai maks p yang diuji
                         max_q=3,        # nilai maks q yang diuji
                        )

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

Parameter pencarian musiman

results = pm.auto_arima( df,             # data
                         ... ,          # argumen non-musiman 
                         seasonal=True,  # apakah deret waktu musiman

                         m=7,            # periode musiman

                         D=1,            # orde diferensi musiman

                         start_P=1,      # tebakan awal P
                         start_Q=1,      # tebakan awal Q

                         max_P=2,        # nilai maks P yang diuji
                         max_Q=2,        # nilai maks Q yang diuji
                        )

Parameter lainnya

results = pm.auto_arima( df,                     # data    
                         ... ,                   # parameter orde model     

                         information_criterion='aic', # untuk memilih model terbaik

                         trace=True,             # cetak hasil saat pelatihan

                         error_action='ignore',  # abaikan orde yang gagal

                         stepwise=True,          # gunakan pencarian orde cerdas
                       )

Menyimpan objek model

# Impor
import joblib

# Pilih filepath
filepath ='localpath/great_model.pkl'

# Simpan model ke filepath
joblib.dump(model_results_object, filepath)

Menyimpan objek model

# Pilih filepath
filepath ='localpath/great_model.pkl'

# Muat objek model dari filepath
model_results_object = joblib.load(filepath)

Memperbarui model

# Tambah observasi baru dan perbarui parameter
model_results_object.update(df_new)

Perbandingan pembaruan

Ayo berlatih!

Model ARIMA di Python