arima模型预测气温代码

### 使用ARIMA模型进行气温预测的Python示例

对于时间序列分析，特别是像气温这样的数据集，ARIMA（AutoRegressive Integrated Moving Average）是一个常用的方法。下面展示了一个简单的例子来说明如何利用`statsmodels`库中的ARIMA模块来进行日平均气温的时间序列预测。

#### 导入必要的包
为了开始建模过程，先要导入一些基本的数据处理和绘图工具以及专门用于统计建模的软件包：

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt

#### 加载并预览数据
假设有一个CSV文件包含了历史的日均温度记录，可以按照如下方式读取它，并查看前几条记录以了解其结构：

data = pd.read_csv('daily_avg_temperature.csv', parse_dates=['date'], index_col='date')
print(data.head())

#### 数据探索性分析(EDA)
执行初步的数据探索有助于更好地理解数据特性，在这里可以通过绘制折线图观察趋势模式：

plt.figure(figsize=(10,6))
plt.plot(data['temperature'])
plt.title('Daily Average Temperature Over Time')
plt.xlabel('Date')
plt.ylabel('Temperature (°C)')
plt.show()

#### 构建与拟合ARIMA模型
基于上述准备好的数据，现在定义一个ARIMA模型实例，并对其进行训练。在这个过程中，p,d,q三个超参数的选择至关重要，通常需要依据ACF/PACF图表或者其他诊断方法确定最佳组合；此处仅给出一组可能适用的配置作为示范[^2]：

model = ARIMA(data['temperature'], order=(5,1,0))  
fitted_model = model.fit() 
print(fitted_model.summary())  # 输出模型摘要信息

#### 预测未来值
一旦完成了模型的学习阶段，则可调用`.forecast()`函数对未来一段时间内的天气状况做出推测。此外还可以计算置信区间以便衡量不确定性程度：

forecast_steps = 30  # 假设想要预测接下来一个月的情况
predictions, stderr, conf_int = fitted_model.forecast(steps=forecast_steps)

# 将预测结果转换成DataFrame形式方便后续操作
pred_df = pd.DataFrame({'Forecast': predictions,
                        'Lower Bound': conf_int[:, 0],
                        'Upper Bound': conf_int[:, 1]},
                       index=pd.date_range(start=data.index[-1], periods=forecast_steps+1, closed='right'))

#### 可视化预测结果
最后一步就是把原始观测值连同新得到的预期轨迹一起画出来做对比检验：

plt.figure(figsize=(10,6))
plt.plot(data['temperature'], label='Observed')
plt.plot(pred_df['Forecast'], color='red', label='Predicted')
plt.fill_between(pred_df.index, pred_df['Lower Bound'], pred_df['Upper Bound'], alpha=.2, color='pink')
plt.legend(loc="upper left")
plt.title('Actual vs Predicted Daily Avg Temperatures')
plt.xlabel('Date')
plt.ylabel('Temperature (°C)')
plt.show()