Introducere în modelele ARIMA

Modele ARIMA în Python

James Fulton

Climate informatics researcher

Recapitulare: serii de timp nestaționare

Prognoza seriei de timp diferențiate

Reconstruirea seriei de timp după diferențiere

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

from numpy import cumsum

mean_forecast = cumsum(diff_forecast)

Reconstruirea seriei de timp după diferențiere

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

from numpy import cumsum

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

Reconstruirea seriei de timp după diferențiere

Modelul ARIMA

Calculați diferența
Ajustați modelul ARMA
Integrați prognoza

Putem evita atât de multă muncă?

Da!

ARIMA - Medie Mobilă Integrată Autoregresivă

Utilizarea modelului ARIMA

from statsmodels.tsa.arima.model import ARIMA

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

p - numărul de lag-uri autoregresive
d - ordinul de diferențiere
q - numărul de lag-uri pentru media mobilă

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

Utilizarea modelului 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

Utilizarea modelului ARIMA

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

Alegerea ordinului de diferențiere

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

Alegerea ordinului de diferențiere

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

Să exersăm!

Modele ARIMA în Python