자동화와 저장

Python으로 배우는 ARIMA 모델

James Fulton

Climate informatics researcher

모형 차수 탐색

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

pmdarima 결과

print(results.summary())

results.plot_diagnostics()

비계절 탐색 매개변수

results = pm.auto_arima( df,             # 데이터

                         d=0,            # 비계절 차분 차수

                         start_p=1,      # p 초기값
                         start_q=1,      # q 초기값

                         max_p=3,        # 테스트할 p 최대값
                         max_q=3,        # 테스트할 q 최대값
                        )

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

계절 탐색 매개변수

results = pm.auto_arima( df,             # 데이터
                         ... ,          # 비계절 매개변수 
                         seasonal=True,  # 시계열이 계절성인지

                         m=7,            # 계절 주기

                         D=1,            # 계절 차분 차수

                         start_P=1,      # P 초기값
                         start_Q=1,      # Q 초기값

                         max_P=2,        # 테스트할 P 최대값
                         max_Q=2,        # 테스트할 Q 최대값
                        )

기타 매개변수

results = pm.auto_arima( df,                     # 데이터    
                         ... ,                   # 모형 차수 매개변수     

                         information_criterion='aic', # 최적 모형 선택 기준

                         trace=True,             # 학습 중 결과 출력

                         error_action='ignore',  # 실패한 차수는 무시

                         stepwise=True,          # 단계적 탐색 적용
                       )

모델 객체 저장

# Import
import joblib

# 파일 경로 선택
filepath ='localpath/great_model.pkl'

# 모델을 파일로 저장
joblib.dump(model_results_object, filepath)

모델 객체 저장

# 파일 경로 선택
filepath ='localpath/great_model.pkl'

# 파일에서 모델 객체 로드
model_results_object = joblib.load(filepath)

모델 업데이트

# 새 관측치 추가 후 파라미터 업데이트
model_results_object.update(df_new)

업데이트 비교

Ayo berlatih!

Python으로 배우는 ARIMA 모델