Вступ до моделей ARIMA

Моделі ARIMA в Python

James Fulton

Climate informatics researcher

Підсумок: нестаціонарні часові ряди

Прогноз різницевого часового ряду

Відновлення початкового ряду після різницювання

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

from numpy import cumsum

mean_forecast = cumsum(diff_forecast)

Відновлення початкового ряду після різницювання

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

from numpy import cumsum

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

Відновлення початкового ряду після різницювання

Модель ARIMA

Застосуйте різницювання
Навчіть модель ARMA
Інтегруйте прогноз

Чи можна без стількох кроків?

Так!

ARIMA — Autoregressive Integrated Moving Average

Використання моделі ARIMA

from statsmodels.tsa.arima.model import ARIMA

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

p — кількість авторегресійних лагів
d — порядок різницювання
q — кількість лагів ковзного середнього

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

Використання моделі 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

Використання моделі ARIMA

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

Вибір порядку різницювання

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

Вибір порядку різницювання

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

Давайте потренуємось!

Моделі ARIMA в Python