自動化と保存

Pythonで学ぶARIMAモデル

James Fulton

Climate informatics researcher

モデル次数の探索

import pmdarima as pm

results = pm.auto_arima(df)

AIC を最小化する逐次探索を実行中
 ARIMA(2,0,2)(1,1,1)[12] 切片   : AIC=inf, Time=3.33 sec
 ARIMA(0,0,0)(0,1,0)[12] 切片   : AIC=2648.467, Time=0.062 sec
 ARIMA(1,0,0)(1,1,0)[12] 切片   : AIC=2279.986, Time=1.171 sec

 ...

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

最良モデル:  ARIMA(3,0,3)(1,1,1)[12]
総フィット時間: 245.812 seconds

pmdarima の結果

print(results.summary())

results.plot_diagnostics()

非季節成分の探索パラメータ

results = pm.auto_arima( df,             # データ

                         d=0,            # 非季節差分次数

                         start_p=1,      # p の初期値
                         start_q=1,      # q の初期値

                         max_p=3,        # テストする p の最大値
                         max_q=3,        # テストする q の最大値
                        )

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

季節成分の探索パラメータ

results = pm.auto_arima( df,             # データ
                         ... ,          # 非季節成分の引数 
                         seasonal=True,  # 系列は季節性あり

                         m=7,            # 季節周期

                         D=1,            # 季節差分次数

                         start_P=1,      # P の初期値
                         start_Q=1,      # Q の初期値

                         max_P=2,        # テストする P の最大値
                         max_Q=2,        # テストする Q の最大値
                        )

その他のパラメータ

results = pm.auto_arima( df,                     # データ    
                         ... ,                   # モデル次数のパラメータ     

                         information_criterion='aic', # 最良モデルの指標

                         trace=True,             # 学習中に結果を表示

                         error_action='ignore',  # 失敗する次数を無視

                         stepwise=True,          # 逐次探索を適用
                       )

モデルオブジェクトの保存

# インポート
import joblib

# ファイルパスを指定
filepath ='localpath/great_model.pkl'

# モデルを保存
joblib.dump(model_results_object, filepath)

モデルオブジェクトの保存

# ファイルパスを指定
filepath ='localpath/great_model.pkl'

# モデルオブジェクトを読み込み
model_results_object = joblib.load(filepath)

モデルの更新

# 新しい観測を追加しパラメータ更新
model_results_object.update(df_new)

更新の比較

練習してみましょう！

Pythonで学ぶARIMAモデル