python实现arima

以下是Python实现ARIMA时间序列预测模型的步骤：

1. 导入必要的库和数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error

# 读取数据
data = pd.read_excel('data.xlsx', index_col='date')

2. 数据预处理

# 将数据转换为时间序列
ts = data['value']

# 绘制时间序列图
plt.plot(ts)
plt.show()

3. 确定ARIMA模型的参数

# 确定ARIMA模型的参数
p = d = q = range(0, 3)
pdq = [(x, y, z) for x in p for y in d for z in q]

# 选择最优的ARIMA模型参数
aic_list = []
for param in pdq:
    try:
        model = ARIMA(ts, order=param)
        results = model.fit()
        aic_list.append((param, results.aic))
    except:
        continue
aic_list.sort(key=lambda x: x[1])
best_param = aic_list[0][0]
print('Best ARIMA parameter:', best_param)

4. 拟合ARIMA模型并进行预测

# 拟合ARIMA模型
model = ARIMA(ts, order=best_param)
results = model.fit()

# 进行预测
pred = results.predict(start='2021-01-01', end='2021-12-31', dynamic=True)

# 绘制预测结果图
plt.plot(ts, label='Original')
plt.plot(pred, label='Predicted')
plt.legend()
plt.show()

5. 评估模型的准确性

# 计算均方根误差（RMSE）
rmse = np.sqrt(mean_squared_error(ts['2021-01-01':], pred))

# 输出RMSE值
print('RMSE:', rmse)