Automatisation et enregistrement

Modèles ARIMA en Python

James Fulton

Climate informatics researcher

Recherche des ordres du modèle

import pmdarima as pm

results = pm.auto_arima(df)

Recherche pas à pas pour minimiser l'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

Meilleur modèle :  ARIMA(3,0,3)(1,1,1)[12]
Durée totale d'ajustement : 245.812 secondes

Résultats pmdarima

print(results.summary())

results.plot_diagnostics()

Paramètres de recherche non saisonniers

results = pm.auto_arima( df,             # données

                         d=0,            # ordre de différenciation non saisonnier

                         start_p=1,      # valeur initiale pour p
                         start_q=1,      # valeur initiale pour q

                         max_p=3,        # valeur max de p à tester
                         max_q=3,        # valeur max de q à tester
                        )

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

Paramètres de recherche saisonniers

results = pm.auto_arima( df,             # données
                         ... ,          # arguments non saisonniers 
                         seasonal=True,  # la série est-elle saisonnière

                         m=7,            # période saisonnière

                         D=1,            # ordre de différenciation saisonnier

                         start_P=1,      # valeur initiale pour P
                         start_Q=1,      # valeur initiale pour Q

                         max_P=2,        # valeur max de P à tester
                         max_Q=2,        # valeur max de Q à tester
                        )

Autres paramètres

results = pm.auto_arima( df,                     # données    
                         ... ,                   # paramètres d'ordre du modèle     

                         information_criterion='aic', # utilisé pour choisir le meilleur modèle

                         trace=True,             # afficher les résultats pendant l'entraînement

                         error_action='ignore',  # ignorer les ordres non valides

                         stepwise=True,          # appliquer une recherche d'ordre intelligente
                       )

Enregistrer des objets de modèle

# Importation
import joblib

# Choisir un chemin de fichier
filepath ='localpath/great_model.pkl'

# Enregistrer le modèle au chemin indiqué
joblib.dump(model_results_object, filepath)

Enregistrer des objets de modèle

# Choisir un chemin de fichier
filepath ='localpath/great_model.pkl'

# Charger l'objet de modèle depuis le chemin
model_results_object = joblib.load(filepath)

Mise à jour du modèle

# Ajouter de nouvelles observations et mettre à jour les paramètres
model_results_object.update(df_new)

Comparaison des mises à jour

Passons à la pratique !

Modèles ARIMA en Python