Introduktion till ARIMA-modeller

ARIMA-modeller i Python

James Fulton

Climate informatics researcher

Repetition: icke-stationära tidsserier

Prognos för differentierad tidsserie

Återskapa ursprunglig tidsserie efter differentiering

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

from numpy import cumsum

mean_forecast = cumsum(diff_forecast)

Återskapa ursprunglig tidsserie efter differentiering

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

from numpy import cumsum

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

Återskapa ursprunglig tidsserie efter differentiering

ARIMA-modellen

Beräkna differensen
Anpassa ARMA-modell
Integrera prognosen

Kan vi undvika allt detta arbete?

Ja!

ARIMA – Autoregressive Integrated Moving Average

Använda ARIMA-modellen

from statsmodels.tsa.arima.model import ARIMA

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

p – antal autoregressiva lags
d – differentieringsordning
q – antal glidande medelvärdes-lags

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

Använda ARIMA-modellen

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

# Fit model
model.fit()

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

Använda ARIMA-modellen

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

Välja differentieringsordning

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

Välja differentieringsordning

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

Nu kör vi en övning!

ARIMA-modeller i Python