auto sarima

Auto-SARIMA是一种自动化的时间序列模型选择方法，它可以自动选择最佳的SARIMA模型来拟合时间序列数据。下面是使用Python中的pmdarima库进行Auto-SARIMA的示例代码：

import pmdarima as pm
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error
from pandas import read_csv

# 加载数据
series = read_csv('data.csv', header=None, index_col=0, parse_dates=True, squeeze=True)

# 拆分数据集
X = series.values
train_size = int(len(X) * 0.66)
train, test = X[0:train_size], X[train_size:]

# 自动选择SARIMA模型
model = pm.auto_arima(train, seasonal=True, m=12)

# 拟合模型并预测
history = [x for x in train]
predictions = list()
for i in range(len(test)):
    # 拟合模型
    model_fit = ARIMA(history, order=model.order, seasonal_order=model.seasonal_order).fit(disp=0)
    # 预测未来一个时间步长
    yhat = model_fit.forecast()[0]
    predictions.append(yhat)
    # 更新历史数据
    history.append(test[i])

# 计算均方误差
mse = mean_squared_error(test, predictions)
print('Test MSE: %.3f' % mse)

在这个示例中，我们首先加载了一个时间序列数据集，然后将其拆分为训练集和测试集。接下来，我们使用pmdarima库中的auto_arima函数自动选择最佳的SARIMA模型。然后，我们使用statsmodels库中的ARIMA函数拟合模型并进行预测。最后，我们计算了预测结果的均方误差。