Automatización y guardado

Modelos ARIMA en Python

James Fulton

Climate informatics researcher

Búsqueda de órdenes del modelo

import pmdarima as pm

results = pm.auto_arima(df)

Realizando búsqueda paso a paso para minimizar 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

Mejor modelo:  ARIMA(3,0,3)(1,1,1)[12]
Tiempo total de ajuste: 245.812 seconds

Resultados de pmdarima

print(results.summary())

results.plot_diagnostics()

Parámetros de búsqueda no estacional

results = pm.auto_arima( df,             # datos

                         d=0,            # orden de diferenciación no estacional

                         start_p=1,      # valor inicial para p
                         start_q=1,      # valor inicial para q

                         max_p=3,        # valor máx. de p a probar
                         max_q=3,        # valor máx. de q a probar
                        )

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

Parámetros de búsqueda estacional

results = pm.auto_arima( df,             # datos
                         ... ,          # argumentos no estacionales 
                         seasonal=True,  # la serie es estacional

                         m=7,            # periodo estacional

                         D=1,            # orden de diferenciación estacional

                         start_P=1,      # valor inicial para P
                         start_Q=1,      # valor inicial para Q

                         max_P=2,        # valor máx. de P a probar
                         max_Q=2,        # valor máx. de Q a probar
                        )

Otros parámetros

results = pm.auto_arima( df,                     # datos    
                         ... ,                   # parámetros de orden del modelo     

                         information_criterion='aic', # criterio para elegir el mejor modelo

                         trace=True,             # mostrar resultados durante el entrenamiento

                         error_action='ignore',  # ignorar órdenes que fallen

                         stepwise=True,          # búsqueda inteligente de órdenes
                       )

Guardar objetos de modelo

# Importar
import joblib

# Elige una ruta de archivo
filepath ='localpath/great_model.pkl'

# Guarda el modelo en la ruta
joblib.dump(model_results_object, filepath)

Guardar objetos de modelo

# Elige una ruta de archivo
filepath ='localpath/great_model.pkl'

# Carga el objeto de modelo desde la ruta
model_results_object = joblib.load(filepath)

Actualizar el modelo

# Añade nuevas observaciones y actualiza los parámetros
model_results_object.update(df_new)

Comparación de actualización

¡Vamos a practicar!

Modelos ARIMA en Python