SARIMA-SVM组合模型预测代码

以下是一个基于 SARIMA-SVM 组合模型的时间序列预测代码示例，使用 Python 编写：

import pandas as pd
import numpy as np
from sklearn.svm import SVR
import statsmodels.api as sm

# 读取数据
data = pd.read_csv('data.csv')

# 拆分数据集
train_data = data.iloc[:-12, :]
test_data = data.iloc[-12:, :]

# SARIMA 模型训练和预测
model = sm.tsa.statespace.SARIMAX(train_data['value'], order=(1, 0, 1), seasonal_order=(1, 1, 0, 12))
result = model.fit()
forecast = result.forecast(steps=12)

# SVM 模型训练和预测
x_train = np.array(train_data.index).reshape(-1, 1)
y_train = train_data['value']
x_test = np.array(test_data.index).reshape(-1, 1)
svm_model = SVR(kernel='rbf', C=1e3, gamma=0.1)
svm_model.fit(x_train, y_train)
svm_forecast = svm_model.predict(x_test)

# 对 SARIMA 和 SVM 预测结果进行加权平均
forecast_df = pd.DataFrame({'SARIMA': forecast.values, 'SVM': svm_forecast})
weights = [0.6, 0.4]
weighted_forecast = forecast_df.apply(lambda x: np.dot(x, weights), axis=1)

# 输出预测结果
print(weighted_forecast)

其中，数据集存储在名为 `data.csv` 的 CSV 文件中，并且包含一列名为 `value` 的时间序列数据。首先使用 `pandas` 库读取数据，然后使用 `iloc` 方法将数据集分成训练集和测试集。接下来，使用 `statsmodels` 库中的 SARIMA 模型训练和预测时间序列数据。然后，使用 `scikit-learn` 库的 SVM 模型训练和预测时间序列数据。最后，使用加权平均方法将 SARIMA 和 SVM 模型的预测结果组合起来，得到最终的预测结果。