Автоматизація та збереження

Моделі ARIMA в Python

James Fulton

Climate informatics researcher

Пошук за порядками моделі

import pmdarima as pm

results = pm.auto_arima(df)

Покроковий пошук для мінімізації 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

Найкраща модель:  ARIMA(3,0,3)(1,1,1)[12]
Загальний час навчання: 245.812 seconds

Результати pmdarima

print(results.summary())

results.plot_diagnostics()

Параметри пошуку без сезонності

results = pm.auto_arima( df,             # дані

                         d=0,            # порядок різниці (без сезонності)

                         start_p=1,      # початкове припущення для p
                         start_q=1,      # початкове припущення для q

                         max_p=3,        # макс. значення p для перевірки
                         max_q=3,        # макс. значення q для перевірки
                        )

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

Параметри пошуку з сезонністю

results = pm.auto_arima( df,             # дані
                         ... ,          # аргументи без сезонності 
                         seasonal=True,  # чи є ряд сезонним

                         m=7,            # сезонний період

                         D=1,            # порядок сезонної різниці

                         start_P=1,      # початкове припущення для P
                         start_Q=1,      # початкове припущення для Q

                         max_P=2,        # макс. значення P для перевірки
                         max_Q=2,        # макс. значення Q для перевірки
                        )

Інші параметри

results = pm.auto_arima( df,                     # дані    
                         ... ,                   # параметри порядку моделі     

                         information_criterion='aic', # критерій вибору найкращої моделі

                         trace=True,             # друк проміжних результатів

                         error_action='ignore',  # ігнорувати непридатні порядки

                         stepwise=True,          # розумний пошук порядків
                       )

Збереження обʼєктів моделі

# Імпорт
import joblib

# Оберіть шлях до файлу
filepath ='localpath/great_model.pkl'

# Збережіть модель у файл
joblib.dump(model_results_object, filepath)

Збереження обʼєктів моделі

# Оберіть шлях до файлу
filepath ='localpath/great_model.pkl'

# Завантажте обʼєкт моделі з файлу
model_results_object = joblib.load(filepath)

Оновлення моделі

# Додайте нові спостереження та оновіть параметри
model_results_object.update(df_new)

Порівняння оновлень

Давайте потренуємось!

Моделі ARIMA в Python