产生直线预测的 ARIMA 模型
Posted
技术标签:
【中文标题】产生直线预测的 ARIMA 模型【英文标题】:ARIMA model producing a straight line prediction 【发布时间】:2019-11-26 12:52:50 【问题描述】:我在 2 个数据集上使用 ARIMA
模型进行了一些实验
-
Airline passengers data
美元兑印度卢比数据
我在Airline passengers data
上得到一个正常的锯齿形预测
ARIMA order=(2,1,2)
Model Results
但是在USD vs Indian rupee data
,我得到的预测是一条直线
ARIMA order=(2,1,2)
Model Results
SARIMAX order=(2,1,2),seasonal_order=(0,0,1,30)
Model Results
我尝试了不同的参数,但对于USD vs Indian rupee data
,我总是得到直线预测。
还有一个疑问,我读到ARIMA
模型不支持具有季节性成分的时间序列(为此我们有 SARIMA)。那为什么对于航空公司乘客数据ARIMA
模型会产生循环预测?
【问题讨论】:
ARIMA produced slope straight line @Zeeshan 好的,如果 ARIMA 或季节性 ARIMA 找不到季节性模式,那么它会预测平均值(即直线)。我还尝试过“指数平滑”、“holts 冬季指数平滑”并获得相同的直线。因此,您建议的任何其他模型都能提供更好的预测。 试试脸书先知。 【参考方案1】:最近遇到了类似的问题,我建议如下:
可视化数据的季节性分解,以确保数据中存在季节性。请确保数据帧中包含频率分量。您可以使用以下命令在 pandas 数据框中强制执行频率:
dh = df.asfreq('W') #for weekly resampled data and fillnas with appropriate method
这是一个进行季节性分解的示例代码:
import statsmodels.api as sm
decomposition = sm.tsa.seasonal_decompose(dh['value'], model='additive',
extrapolate_trend='freq') #additive or multiplicative is data specific
fig = decomposition.plot()
plt.show()
该图将显示您的数据中是否存在季节性。请随意阅读这份关于季节性分解的惊人文件。 Decomposition
-
如果您确定模型的季节性分量是30,那么使用
pmdarima
包应该可以得到很好的结果。该软件包在为您的模型找到最佳pdq
值方面非常有效。这是它的链接:pmdarima
example code pmdarima
如果您不确定季节性,请就您的数据的季节性影响咨询领域专家,或尝试在模型中试验不同的季节性成分并估计误差。
请确保在训练模型之前通过 Dickey-Fuller 检验检查数据的平稳性。 pmdarima
支持通过以下方式查找 d
组件:
from pmdarima.arima import ndiffs
kpss_diff = ndiffs(dh['value'].values, alpha=0.05, test='kpss', max_d=12)
adf_diff = ndiffs(dh['value'].values, alpha=0.05, test='adf', max_d=12)
n_diffs = max(adf_diff , kpss_diff )
借助我在此处提供的文档,您还可以找到d
。如果回答没有帮助,请提供汇率数据来源。我将尝试用示例代码来解释流程。
【讨论】:
以上是关于产生直线预测的 ARIMA 模型的主要内容,如果未能解决你的问题,请参考以下文章