Apprenez à adapter les modèles ARIMA à l'aide du module statsmodels de Python

Recommandations d'apprentissage gratuites : Tutoriel vidéo Python

Importer les packages et modules nécessaires

from scipy import statsimport pandas as pdimport matplotlib.pyplot as pltimport statsmodels.api as smfrom statsmodels.tsa.arima.model import ARIMAfrom statsmodels.graphics.tsaplots import plot_predict
plt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcParams['axes.unicode_minus']=False#用于正常显示负号

1. Lisez les données et dessinez le graphique

data=pd.read_csv('数据/客运量.csv',index_col=0)data.index = pd.Index(sm.tsa.datetools.dates_from_range('1949', '2008'))#将时间列改为专门时间格式，方便后期操作data.plot(figsize=(12,8),marker='o',color='black',ylabel='客运量')#画图

#Données de la série chronologique de flux de passagers utilisées dans cet article : https://download.csdn.net/download/ weixin_45590329/ 14143811
#Le graphique linéaire de la série chronologique est comme indiqué ci-dessous. Il est évident que les données ont une tendance à la hausse et le jugement préliminaire est que les données ne sont pas stables

2. Test de stationnarité

sm.tsa.adfuller(data,regression='c')sm.tsa.adfuller(data,regression='nc')sm.tsa.adfuller(data,regression='ct')

Effectuer trois Cette forme de test de racine unitaire ADF, comme le montrent certains résultats, a révélé que la séquence n'est pas stationnaire

Effectuer le premier ordre. traitement des différences sur les données

diff=data.diff(1)diff.dropna(inplace=True)diff.plot(figsize=(12,8),marker='o',color='black')#画图

Faire les données de premier ordre Après la différence, le graphique linéaire est initialement jugé stationnaire

4. les données de différence du premier ordre

sm.tsa.adfuller(diff,regression='c')sm.tsa.adfuller(diff,regression='nc')sm.tsa.adfuller(diff,regression='ct')

Comme le montre la figure, cela montre que la séquence est stationnaire

5. Déterminer l'ordre d'ARIMA (p, d, q)

fig = plt.figure(figsize=(12,8))ax1 = fig.add_subplot(211)fig = sm.graphics.tsa.plot_acf(diff.values.squeeze(), lags=12, ax=ax1)#自相关系数图1阶截尾,决定MA（1）ax2 = fig.add_subplot(212)fig = sm.graphics.tsa.plot_pacf(diff, lags=12, ax=ax2)#偏相关系数图1阶截尾,决定AR（1）

D'après la carte des coefficients d'autocorrélation ACF et la carte des coefficients d'autocorrélation partielle PACF, déterminer les données d'origine comme le modèle ARIMA (1,1,1)

6. Estimation des paramètres

model = ARIMA(data, order=(1, 1, 1)).fit()#拟合模型model.summary()#统计信息汇总#系数检验params=model.params#系数tvalues=model.tvalues#系数t值bse=model.bse#系数标准误pvalues=model.pvalues#系数p值#绘制残差序列折线图resid=model.resid#残差序列fig = plt.figure(figsize=(12,8))ax = fig.add_subplot(111)ax = model.resid.plot(ax=ax)#计算模型拟合值fit=model.predict(exog=data[['TLHYL']])

7. Test du modèle

#8.1.检验序列自相关sm.stats.durbin_watson(model.resid.values)#DW检验：靠近2——正常；靠近0——正自相关；靠近4——负自相关#8.2.AIC和BIC准则model.aic#模型的AIC值model.bic#模型的BIC值#8.3.残差序列正态性检验stats.normaltest(resid)#检验序列残差是否为正态分布#最终检验结果显示无法拒绝原假设，说明残差序列为正态分布，模型拟合良好#8.4.绘制残差序列自相关图和偏自相关图fig = plt.figure(figsize=(12,8))ax1 = fig.add_subplot(211)fig = sm.graphics.tsa.plot_acf(resid.values.squeeze(), lags=12, ax=ax1)ax2 = fig.add_subplot(212)fig = sm.graphics.tsa.plot_pacf(resid, lags=12, ax=ax2)#如果两图都零阶截尾，这说明模型拟合良好

8 .Prédiction

#预测至2016年的数据。由于ARIMA模型有两个参数，至少需要包含两个初始数据，因此从2006年开始预测predict = model.predict('2006', '2016', dynamic=True)print(predict)#画预测图及置信区间图fig, ax = plt.subplots(figsize=(10,8))fig = plot_predict(model, start='2002', end='2006', ax=ax)legend = ax.legend(loc='upper left')

Un grand nombre de recommandations d'apprentissage gratuites, veuillez visiter le tutoriel Python(vidéo)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!