ARIMA मॉडलों का परिचय

Python में ARIMA Models

James Fulton

Climate informatics researcher

नॉन-स्टेशनरी टाइम सीरीज़: पुनरावलोकन

นॉन-स्टेशनरी टाइम सीरीज़: पुनरावलोकन

डिफरेंस की गई टाइम सीरीज़ का पूर्वानुमान

डिफरेंसिंग के बाद मूल टाइम सीरीज़ पुनर्निर्माण

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

from numpy import cumsum

mean_forecast = cumsum(diff_forecast)

डिफरेंसिंग के बाद मूल टाइम सीरीज़ पुनर्निर्माण

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

from numpy import cumsum

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

डिफरेंसिंग के बाद मूल टाइम सीरीज़ पुनर्निर्माण

ARIMA मॉडल

डिफरेंस लें
ARMA मॉडल फिट करें
फोरकास्ट को इंटीग्रेट करें

क्या हम इतना काम करने से बच सकते हैं?

हाँ!

ARIMA - Autoregressive Integrated Moving Average

ARIMA मॉडल का उपयोग

from statsmodels.tsa.arima.model import ARIMA

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

p - ऑटोरिग्रेसिव लैग्स की संख्या
d - डिफरेंसिंग का ऑर्डर
q - मूविंग एवरेज लैग्स की संख्या

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

ARIMA मॉडल का उपयोग

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

# Fit model
model.fit()

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

ARIMA मॉडल का उपयोग

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

डिफरेंस ऑर्डर चुनना

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

ডिफरेंस ऑर्डर चुनना

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

अभ्यास करते हैं!

Python में ARIMA Models