ARIMA モデルに適合するための Python の statsmodels モジュールの使用の導入

関連する無料学習の推奨事項: Python ビデオ チュートリアル

必要なパッケージとモジュールをインポートする

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. データを読んでグラフを描画します

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

#この記事で使用されている乗客の流れの時系列データ: https://download.csdn.net/ download/weixin_45590329 /14143811
#時系列折れ線グラフは以下のとおりですが、明らかにデータは増加傾向にあり、暫定的にデータは安定していないと判断されます

2. 定常性test

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

が実行されます。いくつかの結果に示されているように、3 つの形式の ADF 単位根テストにより、シーケンスが定常ではないことが判明しました。

3. 1 次を実行します。データの差分処理

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

データを作成一次差分後の折れ線グラフ、定常判定暫定判定

4. 一次差分で定常性テストを実施-次数差分データ

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

図のように、系列が定常であることがわかります

5. ARIMA (p, d, q)の次数を求める

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）

自己相関係数マップ ACF と偏自己相関係数マップ PACF に従って、元のデータを ARIMA ( 1,1,1) Model

6 として決定します。パラメータ推定

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. モデルテスト

#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. 予測

#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')

無料の学習に関する推奨事項が多数あります。Python チュートリアル(ビデオ)

をご覧ください。

以上がARIMA モデルに適合するための Python の statsmodels モジュールの使用の導入の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。