Úvod do modelů ARIMA

ARIMA modely v Pythonu

James Fulton

Climate informatics researcher

Rekapitulace nestacionárních časových řad

Prognóza diferencované časové řady

Rekonstrukce původní časové řady po diferenciaci

diff_forecast = results.get_forecast(steps=10).predicted_mean

from numpy import cumsum

mean_forecast = cumsum(diff_forecast)

Rekonstrukce původní časové řady po diferenciaci

diff_forecast = results.get_forecast(steps=10).predicted_mean

from numpy import cumsum

mean_forecast = cumsum(diff_forecast) + df.iloc[-1,0]

Rekonstrukce původní časové řady po diferenciaci

Model ARIMA

Vypočítejte diferenci
Přizpůsobte model ARMA
Integrujte prognózu

Lze se vyhnout tolika práci?

Ano!

ARIMA – autoregresní integrovaný klouzavý průměr

Použití modelu ARIMA

from statsmodels.tsa.arima.model import ARIMA

model = ARIMA(df, order=(p,d,q))

p – počet autoregresních zpoždění
d – řád diferenciace
q – počet zpoždění klouzavého průměru

ARIMA$(p,0,q)$ = ARMA$(p,q)$

Použití modelu ARIMA

# Create model
model = ARIMA(df, order=(2,1,1))

# Fit model
model.fit()

# Make forecast
mean_forecast = results.get_forecast(steps=10).predicted_mean

Použití modelu ARIMA

# Make forecast
mean_forecast = results.get_forecast(steps=steps).predicted_mean

Volba řádu diferenciace

adf = adfuller(df.iloc[:,0])
print('ADF Statistic:', adf[0])
print('p-value:', adf[1])

ADF Statistic: -2.674
p-value: 0.0784

adf = adfuller(df.diff().dropna().iloc[:,0])
print('ADF Statistic:', adf[0])
print('p-value:', adf[1])

ADF Statistic: -4.978
p-value: 2.44e-05

Volba řádu diferenciace

model = ARIMA(df, order=(p,1,q))

Pojďme cvičit!

ARIMA modely v Pythonu